Detección de Tendencias Suicidas a partir de Publicaciones en Twitter Utilizando Vectores de Memoria a Largo Corto

En la era de la expresión digital, este documento profundiza en la tarea crítica de identificar tendencias suicidas dentro de las narrativas multifacéticas de Twitter. Empleando redes neuronales LSTM, la investigación examina intrínsecamente la dinámica temporal del lenguaje en los tweets para desvelar sutiles indicios lingüísticos indicativos de inclinaciones suicidas potenciales. La capacidad única del LSTM para capturar dependencias a largo plazo lo posiciona como una herramienta ideal para desentrañar las complejidades de los datos secuenciales. El estudio describe una metodología integral que abarca la recolección de datos, el preprocesamiento, la construcción del modelo LSTM y métricas de evaluación rigurosas. Los análisis comparativos con otros algoritmos de aprendizaje automático subrayan el rendimiento excepcional del modelo LSTM, alcanzando una precisión del 92.3%. Notablemente, el diseño del sistema integra Espacios de Vectores Globales (GVS) para representaciones de palabras, mostrando una fusión meticulosa de tecnologías avanzadas para comprender e intervenir en los desafíos de salud mental dentro del dinámico ámbito de las redes sociales.