Прогнозирование депрессии на основе пользовательских данных русскоязычной социальной сети

В статье показаны возможности применения семантического анализа постов пользователей социальной сети ВКонтакте для мониторинга и прогнозирования депрессии. Подчеркивается серьезность проблемы депрессии, ее негативное влияние на здоровье и социум, а также актуальность ранней диагностики и помощи. В работе также обоснована необходимость и перспективы анализа данных русскоязычных социальных сетей для предотвращения развития депрессии у пользователей. В статье предложен подход, который позволяет проводить анализ текстовых данных и использовать логистическую регрессию для классификации пользователей по наличию депрессии. Результаты исследования показывают высокую точность модели с использованием логистической регрессии, что представляет потенциал для автоматизации процессов выявления и поддержки пользователей, страдающих депрессией по данным пользовательской информации в социальных сетях. Также приводится значимость данного метода, его практическая полезность для персонализированных интервенций, преимущества и перспективы развития, включая использование нейросетевых методов и анализ динамики данных. Несмотря на достигнутые результаты, отмечается необходимость дальнейшей работы над моделью, включая изучение других методов машинного обучения и учет изменений в психическом состоянии пользователя со временем. Развитие методов прогнозирования депрессии на основе данных социальных сетей, предложенных в статье, является важным направлением, способным принести значительный вклад в области психологии, здравоохранения и информационных технологий.

1. Тарабакина Л.В. Эмоциональное здоровье подростка: риски и возможности. Москва: Московский педагогический государственный университет; 2017. 194 с.

2. Richter T., Richter-Levin G., Okon-Singer H., Fishbain B. Machine Learning-Based Behavioral Diagnostic Tools for Depression: Advances, Challenges, and Future Directions. Journal of Personalized Medicine. 2021;11(10). https://doi.org/10.3390/jpm11100957

3. Rajkomar A., Oren E., Chen K. et al. Scalable and accurate deep learning with electronic health records. npj Digital Medicine. 2018;1(1). https://doi.org/10.1038/s41746-018-0029-1

4. Браницкий А.А., Шарма Я.Д., Котенко И.В., Федорченко Е.В., Красов А.В., Ушаков И.А. Определение психического состояния пользователей социальной сети Reddit на основе методов машинного обучения. Информационно-управляющие системы. 2022;(1):8–18. https://doi.org/10.31799/1684-8853-2022-1-8-18

5. Suhara Y., Xu Y., Pentland A.S. DeepMood: Forecasting Depressed Mood Based on Self-Reported Histories via Recurrent Neural Networks. In: WWW '17: Proceedings of the 26th International Conference on World Wide Web, 3-7 April 2017, Perth, Australia. Switzerland: International World Wide Web Conferences Steering Committee; 2017. P. 715–724. https://doi.org/10.1145/3038912.3052676

6. Каплун И.Г., Герасимов П.Е., Чучин В.В., Клюшников Н.В. Особенности коммуникативной компетентности студентов – активных пользователей социальных сетей. Скиф. Вопросы студенческой науки. 2022;(11):163–167.

7. Govindasamy K.A., Palanichamy N. Depression Detection Using Machine Learning Techniques on Twitter Data. In: 2021 5th International Conference on Intelligent Computing and Control Systems (ICICCS), 6-8 May 2021, Madurai, India. IEEE; 2021. P. 960–966. https://doi.org/10.1109/ICICCS51141.2021.9432203

8. Ghosh S., Anwar T. Depression Intensity Estimation via Social Media: A Deep Learning Approach. IEEE Transactions on Computational Social Systems. 2021;8(6):1465–1474. https://doi.org/10.1109/TCSS.2021.3084154

9. Zogan H., Razzak I., Wang X. et al. Explainable depression detection with multi-aspect features using a hybrid deep learning model on social media. World Wide Web. 2022;25(1):281–304. https://doi.org/10.1007/s11280-021-00992-2

10. Shen G., Jia J., Nie L., Feng F., Zhang C., Hu T., Chua T.-S., Zhu W. Depression Detection via Harvesting Social Media: A Multimodal Dictionary Learning Solution. In: IJCAI'17: Proceedings of the 26th International Joint Conference on Artificial Intelligence, 19-25 August 2017, Melbourne, Australia. AAAI Press; 2017. P. 3838–3844. https://doi.org/10.24963/ijcai.2017/536

11. Углова А.Б., Низомутдинов Б.А. Анализ деструктивного контента телеграмм-каналов как фактора развития саморазрушающего поведения. International Journal of Open Information Technologies. 2022;10(11):81–86.

12. Ковпак Д.В. Когнитивно-поведенческая терапия суицидального поведения. Вестник Московской международной академии. 2021;(2):55–63.

13. Латынов В.В., Овсянникова В.В. Прогнозирование психологических характеристик человека на основании его цифровых следов. Психология. Журнал высшей школы экономики. 2020;17(1):166–180. https://doi.org/10.17323/1813-8918-2020-1-166-180