Bias en modelos de aprendizaje automático para la detección de depresión

Mesa de la izquierda Abstracto e Introducción Metodología Resultados Discusión y referencia Discusión Las plataformas de redes sociales han surgido como fuentes de datos ricas donde los individuos expresan sus pensamientos y emociones, ofreciendo una oportunidad única para detectar problemas de salud mental a través de métodos computacionales avanzados. Los modelos de aprendizaje automático y de aprendizaje profundo prometen analizar estos vastos datos no estructurados para identificar patrones que indican la depresión. Esta revisión sistemática tiene como objetivo evaluar la eficacia de estos modelos en la detección de la depresión en las redes sociales, centrándose en identificar y analizar los vicios a lo largo del ciclo de vida de la ML. Resumen de los principales hallazgos Nuestra revisión reveló varios prejuicios clave y desafíos metodológicos que afectan a la fiabilidad y generalizabilidad de los modelos de aprendizaje automático y de aprendizaje profundo en este campo. Los prejuicios de muestreo surgieron debido a una predominante dependencia de las plataformas de redes sociales específicas, especialmente Twitter, que se utilizó en el 63,8% de los estudios. Además, la mayoría de los estudios se centraron en el contenido en idioma inglés y los usuarios de regiones geográficas específicas, principalmente Estados Unidos y Europa. Estos prejuicios limitaron la representatividad de los hallazgos, ya que no capturan la diversidad de los usuarios de redes sociales globales. En el preprocesamiento de datos, muchos estudios manejaron de manera inadecuada los matices lingüísticos, como las negaciones y el sar Los problemas de desarrollo de modelos también fueron prominentes. Se observaron prácticas de ajuste de hiperparámetros inconsistentes, con solo el 27,7% de los estudios ajustando correctamente los hiperparámetros para todos los modelos. Además, aproximadamente el 17% de los estudios no repartieron adecuadamente sus datos en conjuntos de entrenamiento, validación y prueba. Estas prácticas pueden conducir a la sobreposición, reduciendo la capacidad de los modelos para generalizar a nuevos datos. En cuanto a la evaluación del modelo, muchos estudios dependió en gran medida de la precisión como la métrica de evaluación primaria sin abordar los desequilibrios de clase inherentes a los conjuntos de datos de detección de depresión. Mientras que alrededor del 74.5% de los estudios usaron métricas adecuadas para los datos desequilibrados, como la precisión, el recuerdo, la Los puntos fuertes y limitaciones de la revisión Esta revisión sistemática se destaca por su alcance integral, examinando los vicios a lo largo de todo el ciclo de vida de la ML, desde la muestra a la información, en la detección de depresión en las redes sociales. Al no limitar el análisis a aspectos específicos, la revisión ofrece una visión holística de cómo los vicios pueden influir en la validez del modelo. Otra fuerza es el enfoque metodológico estructurado, adherido a las directrices establecidas con una estrategia de búsqueda bien definida y criterios de inclusión claros. El uso de herramientas establecidas de evaluación de vicios, en particular PROBAST, agrega rigor al evaluar sistemáticamente los vicios en los dominios metodológicos clave.Además, el proceso de extracción de datos detallado de la revisión facilitó un análisis estructurado, permitiendo la identificación de patrones y proporcionando recomendaciones actuables, como diversificar las fuentes de datos y mejorar la transparencia. Sin embargo, la revisión también tiene limitaciones. La cobertura de bases de datos limitada y la restricción sólo en inglés pueden excluir insights valiosos de la investigación no inglesa, lo que podría afectar la generalizabilidad de los hallazgos. El enfoque en los estudios recientes (después de 2010) podría haber ignorado los trabajos influyentes anteriores, mientras que la heterogeneidad en los diseños de estudio impidió comparaciones directas y excluyó un meta-análisis cuantitativo. Además, el bias de publicación podría distorsionar los hallazgos hacia resultados positivos, y excluir la literatura gris significa que las metodologías emergentes no pueden ser completamente capturadas. Finalmente, mientras que las consideraciones éticas fueron reconocidas, se justifica una exploración más profunda de temas como la privacidad de datos y el consentimiento informado. Estas limitaciones sugieren áreas para mejorar en la investigación futura, como ampliar la cobertura de bases de datos y idiomas, incluida la literatura gris, y llevar a cabo un meta-análisis donde sea posible. Al abordar estas áreas, los estudios futuros pueden mejorar la robustez de los modelos de ML para la detección de salud mental y proporcionar una comprensión más completa, ética y globalmente relevante del campo. Implicaciones para futuras investigaciones Para mejorar la generalizabilidad y aplicabilidad de los modelos de aprendizaje automático y de aprendizaje profundo en la detección de depresión en las redes sociales, es esencial abordar los vicios identificados. En primer lugar, diversificar las fuentes de datos en múltiples plataformas de redes sociales e incorporar idiomas no ingleses y regiones subrepresentadas mejorará la representatividad y la generalizabilidad.. Mejorar los métodos de muestreo es crucial. Combinar la muestreo basado en palabras clave con las técnicas de muestreo aleatorio puede ayudar a reducir los vicios de selección y capturar a los usuarios que no mencionan explícitamente la depresión pero exhiben comportamientos relevantes. En el paso de preprocesamiento de datos, los investigadores deben estandarizar las prácticas para manejar explícitamente los matices lingüísticos como las negaciones y El ajuste de hiperparámetros consistente y completo en todos los modelos es esencial para garantizar comparaciones justas y optimizar el rendimiento del modelo. Se deben implementar prácticas adecuadas de partición de datos, incluyendo el uso de conjuntos de validación y pruebas, para prevenir el sobreajuste y evaluar la generalizabilidad del modelo. Al evaluar los modelos, los investigadores deben priorizar las métricas que reflejan el desequilibrio de clase, como la precisión, el llamado, la puntuación de F1 y el AUROC. Estas métricas proporcionan una evaluación más equilibrada del rendimiento del modelo y son más informativas en el contexto de la detección de la depresión, donde la clase minoritaria es de interés primario. Observaciones finales Esta revisión sistemática destaca las limitaciones metodológicas significativas en la investigación actual sobre la detección de depresión a través del análisis de las redes sociales utilizando modelos de aprendizaje automático y de aprendizaje profundo. La resolución de estas limitaciones es crucial para desarrollar modelos más precisos, fiables y generalizables que puedan identificar eficazmente a las personas en riesgo de depresión. Al avanzar estos enfoques metodológicos, los investigadores pueden contribuir al avance de herramientas de detección de salud mental que son éticamente sólidas y eficaces en diversas poblaciones y plataformas. Estudios revisados sobre modelos de aprendizaje automático para la detección de depresión en las redes sociales La referencia: Agarwal, A. K., Mittal, J., Tran, A., Merchant, R., & Guntuku, S. C. (2023). Investigación de las redes sociales para evaluar el bienestar emocional de los médicos de medicina de emergencia durante COVID19. JAMA Netw Open, 6(5), e2312708. https://doi.org/10.1001/jamanetworkopen.2023.12708 Angskun, J., Tipprasert, S., & Angskun, T. (2022). Análisis de grandes datos en redes sociales para la detección de depresión en tiempo real. J Big Data, 9(1), 69. https://doi.org/10.1186/s40537-022- 00622-2 Baghdadi, N. A., Malki, A., Magdy Balaha, H., AbdulAzeem, Y., Badawy, M., & Elhosseini, M. (2022). Un enfoque de aprendizaje profundo optimizado para la detección del suicidio a través de tweets árabes. PeerJ Comput Sci, 8, e1070. https://doi.org/10.7717/peerj-cs.1070 Baird, A., Xia, Y., & Cheng, Y. (2022). Percepciones de los consumidores de la salud a distancia para la salud mental o el abuso de sustancias: un análisis de modelado de temas basado en Twitter. JAMIA Abierto, 5(2), ooac028. https://doi.org/10.1093/jamiaopen/ooac028 Beierle, F., Pryss, R., & Aizawa, A. (2023). Sentimientos sobre Salud Mental en TwitterAntes y durante la pandemia COVID-19. Salud (Basel), 11(21). https://doi.org/10.3390/healthcare11212893 Bishop, C. M. (2006). Reconocimiento de patrones y aprendizaje automático. Springer. Descripción del editor http://www.loc.gov/catdir/enhancements/fy0818/2006922522-d.html Borba de Souza, V., Campos Nobre, J., & Becker, K. (2022). DAC Stacking: Un conjunto de aprendizaje profundo para clasificar la ansiedad, la depresión y su comorbilidad de los textos de Reddit. IEEE J Biomed Health Inform, 26(7), 3303-3311. https://doi.org/10.1109/JBHI.2022.3151589 Calvo, R. A., Milne, D. N., Hussain, M. S., & Christensen, H. (2017). Procesamiento del lenguaje natural en aplicaciones de salud mental utilizando textos no clínicos. Ingeniería del lenguaje natural, 23(5), 649-685. https://doi.org/10.1017/S1351324916000383 Chandler, J., & Shapiro, D. (2016). Realizar investigaciones clínicas utilizando muestras de conveniencia crowdsourced. Annu Rev Clin Psychol, 12, 53-81. https://doi.org/10.1146/annurevclinpsy-021815-093623 Chandra, R., & Krishna, A. (2021). Análisis del sentimiento de COVID-19 a través del aprendizaje profundo durante el surgimiento de casos nuevos. PLoS Uno, 16(8), e0255615. https://doi.org/10.1371/journal.pone.0255615 Chawla, N., Japkowicz, N., & Kołcz, A. (2004). Editorial: Tema especial sobre el aprendizaje de conjuntos de datos desequilibrados. SIGKDD Explorations, 6, 1-6. https://doi.org/10.1145/1007730.1007733 Chen, L., Gong, T., Kosinski, M., Stillwell, D., & Davidson, R. L. (2017). Construir un perfil de bienestar subjetivo para los usuarios de las redes sociales. PLoS Uno, 12(11), e0187278. https://doi.org/10.1371/journal.pone.0187278 Chiong, R., Budhi, G. S., Dhakal, S., & Chiong, F. (2021). Un enfoque basado en texto para la detección de depresión utilizando clasificadores de aprendizaje automático y textos de redes sociales. Comput Biol Med, 135, 104499. https://doi.org/10.1016/j.compbiomed.2021.104499 Claesen, M., y De Moor, B. (2015). búsqueda de hiperparámetros en el aprendizaje automático. Danet, B., & Herring, S. C. (2007). El Internet multilingüe: lengua, cultura y comunicación en línea. Das Swain, V., Ye, J., Ramesh, S. K., Mondal, A., Abowd, G. D., & De Choudhury, M. (2024). Aprovechando las redes sociales para predecir los trastornos inducidos por COVID-19 en el bienestar mental entre los estudiantes universitarios: Estudio de modelado. Formulario JMIR Res, 8, e52316. https://doi.org/10.2196/52316 Davis, B. D., McKnight, D. E., Teodorescu, D., Quan-Haase, A., Chunara, R., Fyshe, A., & Lizotte, D. J. (2020). Cuantificar el lenguaje relacionado con la depresión en las redes sociales durante la pandemia de COVID-19. Int J Popul Data Sci, 5(4), 1716. https://doi.org/10.23889/ijpds.v5i4.1716 de Anta, L., Alvarez-Mon, M. A., Ortega, M. A., Salazar, C., Donat-Vargas, C., SantomaVilaclara, J., Martin-Martinez, M., Lahera, G., Gutierrez-Rojas, L., Rodriguez-Jimenez, R., Quintero, J., & Alvarez-Mon, M. (2022). Áreas de interés y consideración social de los antidepresivos en los tuits ingleses: Un estudio de clasificación del procesamiento del lenguaje natural. J Pers Med, 12(2). https://doi.org/10.3390/jpm12020155 De Choudhury, M., Counts, S., & Horvitz, E. (2013). Las redes sociales como una herramienta de medición de la depresión en las poblaciones. De Choudhury, M., Gamon, M., Counts, S., & Horvitz, E. (2013). Predecir la depresión a través de las redes sociales. Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). BERT: Pre-entrenamiento de transformadores bidireccionales profundos para la comprensión del lenguaje. https://arxiv.org/abs/1810.04805 Doan, S., Ritchart, A., Perry, N., Chaparro, J. D., & Conway, M. (2017). ¿Cómo se relaja cuando está #stressed? Un análisis de contenido e estudio de infodemiología de tweets relacionados con el estrés. JMIR Encuesta de Salud Pública, 3(2), e35. https://doi.org/10.2196/publichealth.5939 Fernández, A., García, S., Galar, M., Prati, R., Krawczyk, B., & Herrera, F. (2018). Aprender de conjuntos de datos desequilibrados. https://doi.org/10.1007/978-3-319-98074-4 Goodfellow, I., Bengio, Y., y Courville, A. (2016). Aprendizaje profundo. The MIT Press. Guntuku, S. C., Schneider, R., Pelullo, A., Young, J., Wong, V., Ungar, L., Polsky, D., Volpp, K. G., & Merchant, R. (2019). Estudio de las expresiones de la soledad en individuos usando twitter: un estudio observacional. BMJ Abierto, 9(11), e030355. https://doi.org/10.1136/bmjopen2019-030355 Guntuku, S. C., Yaden, D. B., Kern, M. L., Ungar, L. H., & Eichstaedt, J. C. (2017). Detección de depresión y enfermedad mental en las redes sociales: una revisión integrativa. Opinión actual en Psicología, 18, 43-49. https://doi.org/10.1016/j.copsyc.2017.07.005 Hargittai, E. (2015). ¿Es más grande siempre mejor? Prejuicios potenciales de los grandes datos derivados de los sitios de redes sociales. Los Anales de la Academia Americana de Ciencias Políticas y Sociales, 659, 63-76. http://www.jstor.org/stable/24541849 Hastie, T., Friedman, J. H., y Tibshirani, R. (2009). Los elementos del aprendizaje estadístico: minería de datos, inferencia y predicción. He, H., & Garcia, E. A. (2009). Aprendizaje de datos desequilibrados. Transacciones IEEE sobre conocimiento y ingeniería de datos, 21(9), 1263-1284. https://doi.org/10.1109/TKDE.2008.239 Helmy, A., Nassar, R., & Ramdan, N. (2024). Detección de depresión para usuarios de twitter utilizando análisis de sentimientos en tweets en inglés y árabe. Artif Intell Med, 147, 102716. https://doi.org/10.1016/j.artmed.2023.102716 Islam, M. R., Kabir, M. A., Ahmed, A., Kamal, A. R. M., Wang, H., & Ulhaq, A. (2018). Detección de depresión de los datos de las redes sociales utilizando técnicas de aprendizaje automático. Salud Inf Sci Syst, 6(1), 8. https://doi.org/10.1007/s13755-018-0046-0 Jamali, A. A., Berger, C., & Spiteri, R. J. (2023). Detección momentánea de sentimientos depresivos utilizando X (anteriormente Twitter) Datos: Enfoque del lenguaje contextual. JMIR AI, 2, e49531. https://doi.org/10.2196/49531 Japkowicz, N. (2013). Metricas de evaluación para el aprendizaje desequilibrado. El Instituto de Ingenieros Eléctricos y Electrónicos, Inc. https://doi.org/10.1002/9781118646106 Japkowicz, N., y Stephen, S. (2002). El problema del desequilibrio de clase: un estudio sistemático. Intell. Datos Anal., 6, 429-449. https://doi.org/10.3233/IDA-2002-6504 Johnson, K. I., Andersson, G., & Carlbring, P. (2019). Uso de Internet para abordar problemas psicológicos: El bueno, el malo y el feo. International Journal of Environmental Research and Public Health, 16(23), 4593. https://doi.org/10.3390/ijerph16234593 Kaur, H., Ahsaan, S. U., Alankar, B., & Chang, V. (2021). Un algoritmo de aprendizaje profundo para analizar los tuits COVID-19. Inf Syst Front, 23(6), 1417-1429. https://doi.org/10.1007/s10796-021-10135-7 Kavuluru, R., Williams, A. G., Ramos-Morales, M., Haye, L., Holaday, T., & Cerel, J. (2016). Clasificación de comentarios útiles en foros de vigilancia del suicidio en línea. ACM BCB, 2016, 32-40. https://doi.org/10.1145/2975167.2975170 Kelley, S. W., Mhaonaigh, C. N., Burke, L., Whelan, R., & Gillan, C. M. (2022). El aprendizaje automático del uso del lenguaje en Twitter revela predicciones débiles y no específicas. NPJ Digit Med, 5(1), 35. https://doi.org/10.1038/s41746-022-00576-y Kessler, R. C. B., P.; Demler, O.; Jin, R.; Walters, E. E. (2005). Prevalencia a lo largo de la vida y distribución de la edad de inicio de los trastornos del DSM-IV en la Replicación de la Encuesta Nacional de Comorbididades. Archivos de Psiquiatría General, 62(6), 593-602. https://doi.org/10.1001/archpsyc.62.6.593 Khandelwal, A., & Sawant, S. (2020). NegBERT: Un enfoque de aprendizaje de transferencia para la detección de negación y la resolución de alcance. Procedimientos de la XII Conferencia de Recursos y Evaluación de Idiomas (LREC 2020), Kim, J., Lee, J., Park, E., & Han, J. (2020). Un modelo de aprendizaje profundo para detectar enfermedades mentales a partir del contenido de los usuarios en las redes sociales. Sci Rep, 10(1), 11846. https://doi.org/10.1038/s41598- 020-68764-y Levanti, D., Monastero, R. N., Zamani, M., Eichstaedt, J. C., Giorgi, S., Schwartz, H. A., & Meliker, J. R. (2023). Depresión y ansiedad en Twitter Durante el período de COVID-19 Estar en casa en 7 principales ciudades estadounidenses. AJPM Focus, 2(1), 100062. https://doi.org/10.1016/j.focus.2022.100062 Li, Y., Cai, M., Qin, S., & Lu, X. (2020). Detección de emociones depresivas y análisis de comportamiento de hombres que tienen relaciones sexuales con hombres a través de las redes sociales. Front Psychiatry, 11, 830. https://doi.org/10.3389/fpsyt.2020.00830 Low, D. M., Rumker, L., Talkar, T., Torous, J., Cecchi, G., & Ghosh, S. (2020). Procesamiento de lenguaje natural revela grupos de apoyo de salud mental vulnerables y aumento de la ansiedad de salud en Reddit durante COVID-19: estudio observacional. J Med Internet Res, 22(10), e22635. https://doi.org/10.2196/22635 Morstatter, F. P., Jürgen; Liu, Huan; Carley, Kathleen M. (2013). ¿Es la muestra lo suficientemente buena? Comparación de datos de la API de streaming de Twitter con la incendiosa 7a Conferencia Internacional AAAI sobre Weblogs y Redes Sociales de Twitter, ICWSM 2013, http://www.scopus.com/inward/record.url?scp=84892704954&partnerID=8YFLogxK Ng, A. (2018). Machine Learning Yearning. https://info.deeplearning.ai/machine-learningyearning-book Ng, Q. X., Lim, Y. L., Ong, C., New, S., Fam, J., & Liew, T. M. (2024). Hype o esperanza? Ketamina para el tratamiento de la depresión: resultados de la aplicación del aprendizaje profundo a los mensajes de Twitter de 2010 a 2023. Front Psychiatry, 15, 1369727. https://doi.org/10.3389/fpsyt.2024.1369727 Obagbuwa, I. C., Danster, S., & Chibaya, O. C. (2023). Modelos de aprendizaje automático supervisados para análisis de sentimientos de depresión. Front Artif Intell, 6, 1230649. https://doi.org/10.3389/frai.2023.1230649 Olteanu, A., Castillo, C., Diaz, F., & Kiciman, E. (2019). Datos sociales: prejuicios, fallas metodológicas y límites éticos. Frente Big Data, 2, 13. https://doi.org/10.3389/fdata.2019.00013 Ophir, Y., Tikochinski, R., Asterhan, C. S. C., Sisso, I., & Reichart, R. (2020). Redes neuronales profundas detectan el riesgo de suicidio de los mensajes de texto de Facebook. Sci Rep, 10(1), 16685. https://doi.org/10.1038/s41598-020-73917-0 Organización, W. H. (2020). Depresión https://www.who.int/news-room/factsheets/detail/depresión Owen, D., Antypas, D., Hassoulas, A., Pardinas, A. F., Espinosa-Anke, L., & Collados, J. C. (2023). Permitir la intervención de atención médica temprana mediante la detección de depresión en usuarios de foros basados en la Web utilizando modelos de lenguaje: análisis y evaluación longitudinales. JMIR AI, 2, e41205. https://doi.org/10.2196/41205 Owen, D., Antypas, D., Hassoulas, A., Pardinas, A. F., Espinosa-Anke, L., & Collados, J. C. (2023). Permitir la intervención de atención médica temprana mediante la detección de depresión en los usuarios de foros basados en la Web utilizando modelos de idioma: análisis y evaluación longitudinales. JMIR AI, 2, e41205. https://doi.org/10.2196/41205 con datos en tiempo real y aprendizaje automático. Npj Ment Health Res, 3(1), 3. https://doi.org/10.1038/s44184-023-00045-8 Prieto, V. M., Matos, S., Alvarez, M., Cacheda, F., & Oliveira, J. L. (2014). Twitter: un buen lugar para detectar condiciones de salud. PLoS Uno, 9(1), e86191. https://doi.org/10.1371/journal.pone.0086191 Probst, P., Boulesteix, A.-L., & Bischl, B. (2019). Tunabilidad: Importancia de los hiperparámetros de los algoritmos de aprendizaje automático. Journal of Machine Learning Research, 20(53), 1-32. Roy, A., Nikolitch, K., McGinn, R., Jinah, S., Klement, W., & Kaminsky, Z. A. (2020). Un enfoque de aprendizaje automático predice el riesgo futuro de ideas suicidas a partir de los datos de las redes sociales. NPJ Digit Med, 3, 78. https://doi.org/10.1038/s41746-020-0287-6 Rude, S., Gortner, E.-M., & Pennebaker, J. (2004). Uso del lenguaje de estudiantes universitarios deprimidos y vulnerables a la depresión. Cognición y emoción, 18(8), 1121-1133. https://doi.org/10.1080/02699930441000030 Saha, K., Yousuf, A., Boyd, R. L., Pennebaker, J. W., & De Choudhury, M. (2022). Discusiones en redes sociales predicen consultas de salud mental en campus universitarios. Sci Rep, 12(1), 123. https://doi.org/10.1038/s41598-021-03423-4 Shatte, A. B. R., Hutchinson, D. M., Fuller-Tyszkiewicz, M., & Teague, S. J. (2020). Marcadores de redes sociales para identificar a los padres en riesgo de depresión postparto: un enfoque de aprendizaje automático. Cyberpsychol Behav Soc Netw, 23(9), 611-618. https://doi.org/10.1089/cyber.2019.0746 Shatte, A. B. R., Hutchinson, D. M., & Teague, S. J. (2019). Aprendizaje automático en salud mental: una revisión de los métodos y aplicaciones. Medicina psicológica, 49(9), 1426-1448. https://doi.org/10.1017/S0033291719000151 Singh, A., & Singh, J. (2022). Síntesis de expresiones afectivas e inteligencia artificial para descubrir el sufrimiento mental en la comunidad en línea. Int J Ment Health Addict, 1-26. https://doi.org/10.1007/s11469-022-00966-z Sun, B., Zhang, Y., He, J., Xiao, Y., & Xiao, R. (2019). Una red de diagnóstico automático que utiliza una adaptación de dominio discriminatorio adversario robusto para evaluar la gravedad de la depresión. Programas de métodos computacionales Biomed, 173, 185-195. https://doi.org/10.1016/j.cmpb.2019.01.006 pnarekha, H., Nayak, J., Behera, H. S., Dash, P. B., & Pelusi, D. (2023). Un enfoque de aprendizaje profundo basado en un algoritmo optimista para el análisis de sentimientos de los tweets COVID-19. Math Biosci Eng, 20(2), 2382-2407. https://doi.org/10.3934/mbe.2023112 Thorstad, R., & Wolff, P. (2019). Predecir la enfermedad mental futura de las redes sociales: Un enfoque de grandes datos. Métodos de comportamiento Res, 51(4), 1586-1600. https://doi.org/10.3758/s13428-019- 01235-z Trifan, A., Semeraro, D., Drake, J., Bukowski, R., & Oliveira, J. L. (2020). Minería de redes sociales para la predicción de la depresión postpartum. Stud Health Technol Inform, 270, 1391-1392. https://doi.org/10.3233/SHTI200457 Ueda, M., Watanabe, K., & Sueki, H. (2023). Corrección: Dolor emocional durante COVID-19 por condiciones de salud mental y vulnerabilidad económica: análisis retrospectivo de datos de Twitter relacionados con la encuesta con un algoritmo de aprendizaje automático semisupervisado. J Med Internet Res, 25, e47549. https://doi.org/10.2196/47549 Wolff, R. F., Moons, K. G. M., Riley, R. D., Whiting, P. F., Westwood, M., Collins, G. S., Reitsma, J. B., Kleijnen, J., Mallett, S., & Group, P. (2019). PROBAST: Una herramienta para evaluar el riesgo de bias y la aplicabilidad de los estudios de modelos de predicción. Anales de medicina interna, 170(1), 51-58. https://doi.org/https://doi.org/10.7326/M18-1376 Wolff, R. F., Moons, K. G. M., Riley, R. D., Whiting, P. F., Westwood, M., Collins, G. S., Reitsma, J. B., Kleijnen, J., Mallett, S., & Group, P. (2019). PROBAST: Una herramienta para evaluar el riesgo de bias y la aplicabilidad de los estudios de modelos de predicción. Anales de medicina interna, 170(1), 51-58. https://doi.org/https://doi.org/10.7326/M18-1376 Wongkoblap, A., Vadillo, M. A., & Curcin, V. (2021). Aprendizaje profundo con Resolución de Anaphora para la detección de Tweeters con Depresión: Desarrollo de Algoritmos y Estudio de Validación. JMIR Ment Health, 8(8), e19824. https://doi.org/10.2196/19824 Yang, L., & Shami, A. (2020). Sobre la optimización de hiperparámetros de algoritmos de aprendizaje automático: Teoría y práctica. Neurocomputing, 415, 295-316. https://doi.org/https://doi.org/10.1016/j.neucom.2020.07.061 Yao, H., Rashidian, S., Dong, X., Duanmu, H., Rosenthal, R. N., & Wang, F. (2020). Detección de suicidio entre usuarios de opioides en Reddit: Enfoque basado en el aprendizaje automático. J Med Internet Res, 22(11), e15293. https://doi.org/10.2196/15293 Yazdavar, A. H., Al-Olimat, H. S., Ebrahimi, M., Bajaj, G., Banerjee, T., Thirunarayan, K., Pathak, J., & Sheth, A. (2017). Enfoque semi-supervisado para el seguimiento de los síntomas depresivos clínicos en las redes sociales. Proc IEEE ACM Int Conf Adv Soc Netw Anal Min, 2017, 1191-1198. https://doi.org/10.1145/3110025.3123028 Yazdavar, A. H., Mahdavinejad, M. S., Bajaj, G., Romine, W., Sheth, A., Monadjemi, A. H., Thirunarayan, K., Meddar, J. M., Myers, A., Pathak, J., & Hitzler, P. (2020). Análisis multimodal de salud mental en las redes sociales. PLoS Uno, 15(4). https://doi.org/10.1371/journal.pone.0226248 Yin, Z., Fabbri, D., Rosenbloom, S. T., & Malin, B. (2015). Un marco escalable para detectar menciones personales de salud en Twitter. J Med Internet Res, 17(6), e138. https://doi.org/10.2196/jmir.4305 Zhou, T. H., Hu, G. L., & Wang, L. (2019). Método de identificación del trastorno psicológico basado en la percepción de las emociones a través de las redes sociales. Int J Environ Res Salud Pública, 16(6). https://doi.org/10.3390/ijerph16060953 Zogan, H., Razzak, I., Wang, X., Jameel, S., & Xu, G. (2022). Detección de depresión explicable con características multidimensionales utilizando un modelo de aprendizaje profundo híbrido en redes sociales. World Wide Web, 25(1), 281-304. https://doi.org/10.1007/s11280-021-00992-2 Los autores: (1) Yuchen Cao, Colegio Khoury de Ciencias de la Computación, Universidad del Noroeste; (2) Jianglai Dai, Departamento de EECS, Universidad de California, Berkeley; (3) Zhongyan Wang, Centro de Ciencia de Datos, Universidad de Nueva York; (4) Yeyubei Zhang, Escuela de Ingeniería y Ciencias Aplicadas, Universidad de Pensilvania; (5) Xiaorui Shen, Colegio Khoury de Ciencias de la Computación, Universidad del Noroeste; (6) Yunchong Liu, Escuela de Ingeniería y Ciencias Aplicadas, Universidad de Pensilvania; (7) Yexin Tian, Georgia Institute of Technology, College of Computing. Authors: (1) Yuchen Cao, Colegio Khoury de Ciencias de la Computación, Universidad del Noroeste; (2) Jianglai Dai, Departamento de EECS, Universidad de California, Berkeley; (3) Zhongyan Wang, Centro de Ciencia de Datos, Universidad de Nueva York; (4) Yeyubei Zhang, Escuela de Ingeniería y Ciencias Aplicadas, Universidad de Pensilvania; (5) Xiaorui Shen, Colegio Khoury de Ciencias de la Computación, Universidad del Noroeste; (6) Yunchong Liu, Escuela de Ingeniería y Ciencias Aplicadas, Universidad de Pensilvania; (7) Yexin Tian, Georgia Institute of Technology, College of Computing. Este artículo está disponible en archivo bajo la licencia CC BY 4.0. Este documento es bajo la licencia CC BY 4.0. Disponible en Archivo