Выявление признаков депрессии на основе пользовательских данных из социальных сетей с помощью нейронных сетей

Résumé fourni par la source

В статье рассматривается проблема выявления признаков депрессии на основе пользовательских данных из социальных сетей с применением методов машинного обучения и сетевого анализа. Исследование включает разработку модели выявления пользователей с признаками депрессии, которая основана на текстовом анализе их публикаций в социальных сетях, а также метаданных профилей в социальной сети. В качестве алгоритмов в исследовании были использованы нейронные сети, что позволило достичь высокой точности классификации. Графовый анализ, проведенный для анализа влияния пользователей с признаками депрессии, демонстрирует, что такие пользователи имеют низкую степень центральности и не образуют плотных кластеров, что свидетельствует об их социальной изоляции. Гипотеза о распространении депрессии через социальные связи не подтвердилась, что указывает на минимальное влияние депрессивных пользователей на окружающих. Результаты исследования могут быть полезны в целях разработки систем раннего выявления депрессии. Особое внимание уделено ограничениям работы – использованию данных только одной социальной сети и сложности обработки текстовых данных. В статье предложены перспективы дальнейших исследований, направленные на расширение методов анализа распространения депрессивного поведения в социальных сетях. The article studies the problem of identifying signs of depression based on user data from social networks using machine learning methods and network analysis. The study includes the development of a model for detecting users with signs of depression, which relies on text analysis of their social network posts and profile metadata. Neural networks were used as algorithms in the study, showing high classification accuracy. Network analysis was implemented to examine the influence of users with signs of depression and it shows that such users have low centrality and do not form dense clusters, indicating their social isolation. The hypothesis of depression spreading through social connections was not confirmed, suggesting minimal impact of depressive users on others. The research results can be utilized to develop systems for early detection of depression. Special attention is given to the study's limitations, including the use of data from a single social network and the complexity of processing textual data. The article proposes directions for further research aimed at expanding methods for analyzing the spread of depressive behavior in social networks.