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

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.

1. Moreno M.A., Jelenchick L.A., Egan K.G., Cox E., Young H., Gannon K.E., Becker T. Feeling bad on Facebook: depression disclosures by college students on a social networking site. Depression and Anxiety. 2011;28(6):447–455. https://doi.org/10.1002/da.20805

2. Rosenquist J.N., Fowler J.H., Christakis N.A. Social network determinants of depression. Molecular Psychiatry. 2011;16(3):273–281. https://doi.org/10.1038/mp.2010.13

3. Fowler J.H., Christakis N.A. Dynamic spread of happiness in a large social network: longitudinal analysis over 20 years in the Framingham Heart Study. BMJ. 2008;337. https://doi.org/10.1136/bmj.a2338

4. De Choudhury M., Counts S., Horvitz E. Predicting postpartum changes in emotion and behavior via social media. In: CHI '13: Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 27 April – 2 May 2013, Paris, France. New York: Association for Computing Machinery; 2013. pp. 3267–3276. https://doi.org/10.1145/2470654.2466447

5. Farruque N., Goebel R., Sivapalan S., Zaïane O.R. Depression symptoms modelling from social media text: an LLM driven semi-supervised learning approach. Language Resources and Evaluation. 2024;58:1013–1041. https://doi.org/10.1007/s10579-024-09720-4

6. Ambilwade R.P., Chitnis S. A Comprehensive Review of Depression Detection on Social Media. Empirical Economics Letters. 2024;23(2):69–81. https://doi.org/10.5281/zenodo.13369773

7. Bao E., Pérez A., Parapar J. Explainable depression symptom detection in social media. Health Information Science and Systems. 2024;12(1). https://doi.org/10.1007/s13755-024-00303-9

8. Tambling R.R., D’Aniello-Heyda C., Hynes K.C. Manifestations of Depression on Social Media: a Content Analysis of Twitter Posts. Journal of Technology in Behavioral Science. 2023;9:252–261. https://doi.org/10.1007/s41347-023-00327-0

9. Azem L., Alwani R.A., Lucas A., Alsaadi B., Njihia G., Bibi B., Alzubaidi M., Househ M. Social Media Use and Depression in Adolescents: A Scoping Review. Behavioral Sciences. 2023;13(6). https://doi.org/10.3390/bs13060475

10. Elmer T., Stadtfeld Ch. Depressive symptoms are associated with social isolation in face-to-face interaction networks. Scientific Reports. 2020;10. https://doi.org/10.1038/s41598-020-58297-9