Bias em modelos de aprendizagem de máquina para detecção de depressão

Mesa da Esquerda Abstract e Introdução Metodologia Resultados Discussão e Referência Discussão A prevalência crescente de condições de saúde mental, particularmente depressão, representa um desafio de saúde global significativo. As plataformas de mídia social emergiram como fontes ricas de dados onde os indivíduos expressam seus pensamentos e emoções, oferecendo uma oportunidade única para detectar problemas de saúde mental através de métodos computacionais avançados. Modelos de aprendizagem de máquina e de aprendizagem profunda prometem analisar esses vastos dados não estruturados para identificar padrões indicativos de depressão. Esta revisão sistemática visa avaliar a eficácia desses modelos na detecção de depressão nas mídias sociais, com foco na identificação e análise de preconceitos ao longo do ciclo de vida da ML. Resumo das principais descobertas Nossa revisão revelou vários preconceitos-chave e desafios metodológicos que afetam a confiabilidade e a generalização dos modelos de aprendizagem de máquina e de aprendizagem profunda neste domínio. Os preconceitos de amostragem surgiram devido a uma dependência predominante de plataformas de mídia social específicas, particularmente o Twitter, que foi usado em 63,8% dos estudos. Além disso, a maioria dos estudos se concentrou em conteúdo em língua inglesa e usuários de regiões geográficas específicas, principalmente os Estados Unidos e a Europa. Esses preconceitos limitam a representatividade dos resultados, uma vez que não capturam a diversidade dos usuários de mídia social globais. Na pré-processamento de dados, muitos estudos lidaram de forma inadequada com nuances linguísticas, como Problemas de desenvolvimento de modelos também foram proeminentes. As práticas de ajuste de hiperparâmetros inconsistentes foram observadas, com apenas 27,7% dos estudos ajustando corretamente os hiperparâmetros para todos os modelos. Além disso, cerca de 17% dos estudos não partilharam adequadamente seus dados em conjuntos de treinamento, validação e teste. Essas práticas podem levar à sobreposição, reduzindo a capacidade dos modelos de generalizar para novos dados. No que diz respeito à avaliação do modelo, muitos estudos confiaram fortemente na precisão como a métrica de avaliação primária sem abordar os desequilíbrios de classe inerentes aos conjuntos de dados de detecção de depressão. Enquanto cerca de 74.5% dos estudos usaram métricas adequadas para dados desequilíbrios, como precisão, recall, pontuação Forças e limitações da revisão Esta revisão sistemática destaca-se pelo seu alcance abrangente, examinando preconceitos ao longo de todo o ciclo de vida da ML, desde a amostragem até o relatório, na detecção de depressão nas mídias sociais. Ao não limitar a análise a aspectos específicos, a revisão oferece uma visão holística de como os preconceitos podem influenciar a validade do modelo. Outra força é a abordagem metodológica estruturada, aderindo a diretrizes estabelecidas com uma estratégia de pesquisa bem definida e critérios de inclusão claros. Concentrando-se em estudos publicados após 2010, reflete os mais recentes avanços nas aplicações de ML e DL para a saúde mental. Além disso, o processo de extração de dados detalhado da revisão facilitou uma análise estruturada, permitindo a identificação de padrões e fornecendo recomendações acionáveis, como diversificar fontes de dados e melhorar a transparência. No entanto, a revisão também tem limitações. A cobertura de banco de dados limitada e a restrição apenas em inglês podem excluir insights valiosos de pesquisas não inglesas, potencialmente afetando a generalização dos resultados. O foco em estudos recentes (pós-2010) pode ter ignorado trabalhos influentes anteriores, enquanto a heterogeneidade nos projetos de estudo impediu comparações diretas e excluiu uma meta-análise quantitativa. Além disso, o viés de publicação poderia desviar as conclusões para resultados positivos, e excluir literatura cinzenta significa que metodologias emergentes podem não ser totalmente capturadas. Finalmente, enquanto considerações éticas foram reconhecidas, uma exploração mais profunda de questões como privacidade de dados e consentimento informado é justificada. Estas limitações sugerem áreas para melhoria na investigação futura, como ampliar a cobertura de banco de dados e linguagem, incluindo literatura cinzenta, e realizar uma meta-análise onde possível.Ao abordar essas áreas, estudos futuros podem aumentar a robustez dos modelos de ML para detecção de saúde mental e fornecer uma compreensão mais abrangente, ética e globalmente relevante do campo. Implicações para futuras pesquisas Para melhorar a generalizabilidade e a aplicabilidade dos modelos de aprendizagem de máquina e de aprendizagem profunda na detecção de depressão nas mídias sociais, é essencial abordar os preconceitos identificados. Em primeiro lugar, diversificar as fontes de dados em várias plataformas de mídia social e incorporar línguas não inglesas e regiões subrepresentadas melhorará a representatividade e a generalizabilidade.. Melhorar os métodos de amostragem é crucial. Combinar a amostragem baseada em palavras-chave com técnicas de amostragem aleatória pode ajudar a reduzir os preconceitos de seleção e capturar usuários que podem não mencionar explicitamente a depressão, mas exibir comportamentos relevantes. Na etapa de pré-processamento de dados, os pesquisadores devem padronizar O ajuste de hiperparâmetros consistente e abrangente em todos os modelos é essencial para garantir comparações justas e otimizar o desempenho do modelo. Devem ser implementadas práticas apropriadas de particionamento de dados, incluindo o uso de conjuntos de validação e de teste, para prevenir a sobreposição e avaliar a generalização do modelo. Ao avaliar modelos, os pesquisadores devem priorizar métricas que respondam ao desequilíbrio de classe, como precisão, recall, pontuação F1 e AUROC. Estas métricas fornecem uma avaliação mais equilibrada do desempenho do modelo e são mais informativas no contexto da detecção de depressão, onde a classe minoritária é de interesse primário. Observações Conclusivas Esta revisão sistemática destaca limitações metodológicas significativas na pesquisa atual sobre a detecção de depressão através da análise de mídias sociais usando modelos de aprendizado de máquina e aprendizado profundo. Resolver essas limitações é crucial para desenvolver modelos mais precisos, confiáveis e generalizáveis que possam identificar eficazmente indivíduos em risco de depressão. Ao avançar essas abordagens metodológicas, os pesquisadores podem contribuir para o avanço de ferramentas de detecção de saúde mental que são eticamente sólidas e eficazes em várias populações e plataformas. Estudos revisados sobre modelos de aprendizagem de máquina para detecção de depressão nas mídias sociais Referência : Agarwal, A. K., Mittal, J., Tran, A., Merchant, R., & Guntuku, S. C. (2023). Investigando mídias sociais para avaliar o bem-estar emocional dos médicos de medicina de emergência durante o COVID19. JAMA Netw Open, 6(5), e2312708. https://doi.org/10.1001/jamanetworkopen.2023.12708 Angskun, J., Tipprasert, S., & Angskun, T. (2022). Análise de Big Data nas redes sociais para detecção de depressão em tempo 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). Uma abordagem de aprendizagem profunda otimizada para detecção de suicídio através de tweets árabes. PeerJ Comput Sci, 8, e1070. https://doi.org/10.7717/peerj-cs.1070 Baird, A., Xia, Y., & Cheng, Y. (2022). Percepções do consumidor de saúde à distância para saúde mental ou abuso de substâncias: uma análise de modelagem de tópicos baseada no Twitter. JAMIA Open, 5(2), ooac028. https://doi.org/10.1093/jamiaopen/ooac028 Beierle, F., Pryss, R., & Aizawa, A. (2023). Sentimentos sobre Saúde Mental no TwitterAntes e durante a pandemia COVID-19. Saúde (Basel), 11(21). https://doi.org/10.3390/healthcare11212893 Bishop, C. M. (2006). Reconhecimento de padrões e aprendizado de máquina. Springer. Descrição do editor http://www.loc.gov/catdir/enhancements/fy0818/2006922522-d.html Borba de Souza, V., Campos Nobre, J., & Becker, K. (2022). DAC Stacking: Um Ensemble de Aprendizagem Profunda para Classificar Ansiedade, Depressão e Sua Comorbidade Dos Textos do 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). Processamento de linguagem natural em aplicações de saúde mental usando textos não clínicos. Engenharia de linguagem natural, 23(5), 649-685. https://doi.org/10.1017/S1351324916000383 Chandler, J., & Shapiro, D. (2016). Realizar Pesquisa Clínica Usando Amostras de Conveniência Crowdsourced. Annu Rev Clin Psychol, 12, 53-81. https://doi.org/10.1146/annurevclinpsy-021815-093623 Chandra, R., & Krishna, A. (2021). Análise do sentimento COVID-19 através de aprendizagem profunda durante o surgimento de casos novos. PLoS Um, 16(8), e0255615. https://doi.org/10.1371/journal.pone.0255615 Chawla, N., Japkowicz, N., & Kołcz, A. (2004). Editorial: Issue Especial sobre Aprendizagem a partir de conjuntos de dados 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). Construindo um perfil de bem-estar subjetivo para usuários de mídias sociais. PLoS Um, 12(11), e0187278. https://doi.org/10.1371/journal.pone.0187278 Chiong, R., Budhi, G. S., Dhakal, S., & Chiong, F. (2021). Uma abordagem baseada em texto com abordagem para detecção de depressão usando classificadores de aprendizagem de máquina e textos de mídia social. Comput Biol Med, 135, 104499. https://doi.org/10.1016/j.compbiomed.2021.104499 Claesen, M., & De Moor, B. (2015). pesquisa de hiperparâmetros no aprendizado de máquina. Danet, B., & Herring, S. C. (2007). A Internet multilingue: língua, cultura e comunicação on-line. Das Swain, V., Ye, J., Ramesh, S. K., Mondal, A., Abowd, G. D., & De Choudhury, M. (2024). Aproveitando as mídias sociais para prever distúrbios induzidos por COVID-19 no bem-estar mental entre estudantes universitários: Estudo de modelagem. Formulário 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). Quantificação da linguagem relacionada à depressão nas mídias sociais durante a pandemia 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 interesse e consideração social de antidepressivos em Tweets Inglês: Um Estudo de Classificação de Processamento de Língua Natural. J Pers Med, 12(2). https://doi.org/10.3390/jpm12020155 De Choudhury, M., Counts, S., & Horvitz, E. (2013). as mídias sociais como uma ferramenta de medição da depressão nas populações. De Choudhury, M., Gamon, M., Counts, S., & Horvitz, E. (2013). Previsão da depressão através das mídias sociais. Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). BERT: Pre-treinamento de transformadores bidirecionais profundos para compreensão da linguagem. https://arxiv.org/abs/1810.04805 Doan, S., Ritchart, A., Perry, N., Chaparro, J. D., & Conway, M. (2017). Como você #relaxar quando você está #stressed? Uma análise de conteúdo e estudo de infodemiologia de Tweets relacionados ao estresse. JMIR Saúde Pública Surveill, 3(2), e35. https://doi.org/10.2196/publichealth.5939 Fernández, A., García, S., Galar, M., Prati, R., Krawczyk, B., & Herrera, F. (2018). Aprendizagem a partir de conjuntos de dados desequilibrados. https://doi.org/10.1007/978-3-319-98074-4 Goodfellow, I., Bengio, Y., & Courville, A. (2016). Aprendizagem profunda. O MIT Press. Guntuku, S. C., Schneider, R., Pelullo, A., Young, J., Wong, V., Ungar, L., Polsky, D., Volpp, K. G., & Merchant, R. (2019). Estudar expressões de solidão em indivíduos usando o twitter: um estudo observacional. BMJ Open, 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). Detecção de depressão e doença mental nas mídias sociais: uma revisão integrativa. Opinião atual em Psicologia, 18, 43-49. https://doi.org/10.1016/j.copsyc.2017.07.005 Hargittai, E. (2015). É Maior Sempre Melhor? Preconceitos potenciais de Big Data derivados de sites de redes sociais. Os Annals da Academia Americana de Ciências Políticas e Sociais, 659, 63-76. http://www.jstor.org/stable/24541849 Hastie, T., Friedman, J. H., e Tibshirani, R. (2009). Os elementos da aprendizagem estatística: mineração de dados, inferência e previsão. Ele, H., & Garcia, E. A. (2009). Aprendizagem a partir de dados desequilibrados. Transacções IEEE sobre conhecimento e engenharia de dados, 21(9), 1263-1284. https://doi.org/10.1109/TKDE.2008.239 Helmy, A., Nassar, R., & Ramdan, N. (2024). Detecção de depressão para usuários do twitter usando análise de sentimentos em tweets em inglês e 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). Detecção de depressão a partir de dados de redes sociais usando técnicas de aprendizagem de máquina. Saúde Inf Sci Syst, 6(1), 8. https://doi.org/10.1007/s13755-018-0046-0 Jamali, A. A., Berger, C., & Spiteri, R. J. (2023). Detecção momentânea de sentimentos depressivos usando X (anteriormente Twitter) Dados: Abordagem linguística contextual. JMIR AI, 2, e49531. https://doi.org/10.2196/49531 Japkowicz, N. (2013). Metricas de avaliação para aprendizagem desequilibrada. O Instituto de Engenheiros Elétricos e Eletrônicos, Inc. https://doi.org/10.1002/9781118646106 Japkowicz, N., & Stephen, S. (2002). O problema do desequilíbrio de classe: um estudo sistemático. Intell. Data Anal., 6, 429-449. https://doi.org/10.3233/IDA-2002-6504 Johnson, K. I., Andersson, G., & Carlbring, P. (2019). Usando a Internet para resolver problemas psicológicos: O bom, o mau e o feio. Jornal Internacional de Pesquisa Ambiental e Saúde Pública, 16(23), 4593. https://doi.org/10.3390/ijerph16234593 Kaur, H., Ahsaan, S. U., Alankar, B., & Chang, V. (2021). Uma proposta de análise de sentimento algoritmo de aprendizagem profunda para analisar COVID-19 Tweets. 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). Classificação de Comentários Úteis em Fóruns de Acompanhamento de Suicídios Online. 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). Aprendizagem de máquina do uso da linguagem no Twitter revela previsões fracas e não 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). Prevalência ao longo da vida e distribuições de idade de início de distúrbios DSM-IV na Replicação Nacional de Pesquisa de Comorbidade. Arquivos de Psiquiatria Geral, 62(6), 593-602. https://doi.org/10.1001/archpsyc.62.6.593 Khandelwal, A., & Sawant, S. (2020). NegBERT: A Transfer Learning Approach for Negation Detection and Scope Resolution. Proceedings of the Twelfth Language Resources and Evaluation Conference (LREC 2020), Kim, J., Lee, J., Park, E., & Han, J. (2020). Um modelo de aprendizagem profunda para detectar doenças mentais a partir do conteúdo do usuário nas mídias sociais. 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). Depressão e Ansiedade no Twitter Durante o Período COVID-19 Fique em Casa em 7 Maiores Cidades dos EUA. AJPM Foco, 2(1), 100062. https://doi.org/10.1016/j.focus.2022.100062 Li, Y., Cai, M., Qin, S., & Lu, X. (2020). Detecção de emoções depressivas e análise de comportamento de homens que fazem sexo com homens através de mídias sociais. 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. S. (2020). Processamento de linguagem natural revela grupos de apoio de saúde mental vulneráveis e aumento da ansiedade de saúde no Reddit durante o COVID-19: estudo observacional. J Med Internet Res, 22(10), e22635. https://doi.org/10.2196/22635 Morstatter, F. P., Jürgen; Liu, Huan; Carley, Kathleen M. (2013). A amostra é boa o suficiente? Comparação de dados da API de streaming do Twitter com a incrível 7a Conferência Internacional AAAI sobre Weblogs e Mídia Social, 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 ou esperança? Ketamina para o tratamento da depressão: resultados da aplicação de aprendizagem profunda para postagens no 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 aprendizado de máquina supervisionados para análise de sentimentos de depressão. Front Artif Intell, 6, 1230649. https://doi.org/10.3389/frai.2023.1230649 Olteanu, A., Castillo, C., Diaz, F., & Kiciman, E. (2019). Dados sociais: preconceitos, pitfalls metodológicos e fronteiras éticas. Front 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 neurais profundas detectam risco de suicídio a partir de postagens textuais no Facebook. Sci Rep, 10(1), 16685. https://doi.org/10.1038/s41598-020-73917-0 Organização, W. H. (2020). Depressão https://www.who.int/news-room/factsheets/detail/depressão Owen, D., Antypas, D., Hassoulas, A., Pardinas, A. F., Espinosa-Anke, L., & Collados, J. C. (2023). Permitindo a intervenção de cuidados de saúde precoce através da detecção de depressão em usuários de fóruns baseados na Web usando modelos de linguagem: análise e avaliação longitudinal. 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). Permitindo intervenção de cuidados de saúde precoce através da detecção de depressão em usuários de fóruns baseados na Web usando modelos de linguagem: análise e avaliação longitudinal. JMIR AI, 2, e41205. https://doi.org/10.2196/41205 com dados em tempo real e aprendizado de máquina. 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: um bom lugar para detectar condições de saúde. PLoS Um, 9(1), e86191. https://doi.org/10.1371/journal.pone.0086191 Probst, P., Boulesteix, A.-L., & Bischl, B. (2019). Tunabilidade: Importância dos hiperparâmetros dos algoritmos de aprendizagem de máquina. Journal of Machine Learning Research, 20(53), 1-32. Roy, A., Nikolitch, K., McGinn, R., Jinah, S., Klement, W., & Kaminsky, Z. A. (2020). Uma abordagem de aprendizado de máquina prevê o risco futuro de ideias suicidas a partir de dados de mídias sociais. NPJ Digit Med, 3, 78. https://doi.org/10.1038/s41746-020-0287-6 Rude, S., Gortner, E.-M., & Pennebaker, J. (2004). Uso da linguagem de estudantes universitários deprimidos e vulneráveis à depressão. Cognition & Emotion, 18(8), 1121-1133. https://doi.org/10.1080/02699930441000030 Saha, K., Yousuf, A., Boyd, R. L., Pennebaker, J. W., & De Choudhury, M. (2022). Discussões de mídia social preveem consultas de saúde mental em campus universitários. 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 mídia social para identificar pais em risco de depressão pós-parto: uma abordagem de aprendizagem de máquina. 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). Aprendizagem de máquina em saúde mental: uma revisão abrangente de métodos e aplicações. Medicina psicológica, 49(9), 1426-1448. https://doi.org/10.1017/S0033291719000151 Singh, A., & Singh, J. (2022). Síntese de expressões afetivas e inteligência artificial para descobrir o sofrimento mental na comunidade online. 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). Uma rede de diagnóstico automático usando adaptação de domínio discriminatório adversário robusto para avaliar a gravidade da depressão. Programas de Métodos Computacionais 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). Uma abordagem de aprendizagem profunda baseada em algoritmo de firefly otimista para análise de sentimentos de tweets COVID-19. Matemática Biosci Eng, 20(2), 2382-2407. https://doi.org/10.3934/mbe.2023112 Thorstad, R., & Wolff, P. (2019). Previsão de doenças mentais futuras a partir de mídias sociais: Uma abordagem de big-data. Behav Res Methods, 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). Mineração de mídia social para previsão de depressão pós-parto. Stud Health Technol Inform, 270, 1391-1392. https://doi.org/10.3233/SHTI200457 Ueda, M., Watanabe, K., & Sueki, H. (2023). Correção: Transtorno emocional durante COVID-19 por condições de saúde mental e vulnerabilidade econômica: análise retrospectiva de dados do Twitter ligados à pesquisa com um algoritmo de aprendizagem automática semi-supervisionado. 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: Uma ferramenta para avaliar o risco de bias e aplicabilidade de estudos de modelos de previsão. Annals of internal medicine, 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: Uma ferramenta para avaliar o risco de bias e aplicabilidade de estudos de modelos de previsão. Annals of internal medicine, 170(1), 51-58. https://doi.org/https://doi.org/10.7326/M18-1376 Wongkoblap, A., Vadillo, M. A., & Curcin, V. (2021). Aprendizagem Profunda com Resolução de Anaphora para a Detecção de Tweeters com Depressão: Desenvolvimento de Algoritmos e Estudo de Validação. JMIR Ment Health, 8(8), e19824. https://doi.org/10.2196/19824 Yang, L., & Shami, A. (2020). Sobre otimização hiperparamétrica de algoritmos de aprendizagem de máquina: Teoria e prática. 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). Detecção de suicídio entre usuários de opióides no Reddit: Abordagem baseada no aprendizado de máquina. 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). Abordagem semi-supervisionada para monitorar sintomas depressivos clínicos nas mídias sociais. 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). Análise de saúde mental multimodal nas mídias sociais. PLoS One, 15(4). https://doi.org/10.1371/journal.pone.0226248 Yin, Z., Fabbri, D., Rosenbloom, S. T., & Malin, B. (2015). Um quadro escalável para detectar menções de saúde pessoal no 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 identificação de transtornos psicológicos com base na percepção de emoções em redes sociais. Int J Environ Res Saúde Pública, 16(6). https://doi.org/10.3390/ijerph16060953 Zogan, H., Razzak, I., Wang, X., Jameel, S., & Xu, G. (2022). Detecção de depressão explicável com recursos multi-aspecto usando um modelo de aprendizado profundo híbrido nas mídias sociais. World Wide Web, 25(1), 281-304. https://doi.org/10.1007/s11280-021-00992-2 Os autores: (1) Yuchen Cao, Faculdade de Ciência da Computação de Khoury, Universidade do Nordeste; (2) Jianglai Dai, Departamento de EECS, Universidade da Califórnia, Berkeley; (3) Zhongyan Wang, Centro de Ciência de Dados, Universidade de Nova York; (4) Yeyubei Zhang, Escola de Engenharia e Ciências Aplicadas, Universidade da Pensilvânia; (5) Xiaorui Shen, Faculdade de Ciência da Computação de Khoury, Universidade do Nordeste; (6) Yunchong Liu, Escola de Engenharia e Ciências Aplicadas, Universidade da Pensilvânia; (7) Yexin Tian, Instituto de Tecnologia da Geórgia, Faculdade de Computação. Authors: (1) Yuchen Cao, Faculdade de Ciência da Computação de Khoury, Universidade do Nordeste; (2) Jianglai Dai, Departamento de EECS, Universidade da Califórnia, Berkeley; (3) Zhongyan Wang, Centro de Ciência de Dados, Universidade de Nova York; (4) Yeyubei Zhang, Escola de Engenharia e Ciências Aplicadas, Universidade da Pensilvânia; (5) Xiaorui Shen, Faculdade de Ciência da Computação de Khoury, Universidade do Nordeste; (6) Yunchong Liu, Escola de Engenharia e Ciências Aplicadas, Universidade da Pensilvânia; (7) Yexin Tian, Instituto de Tecnologia da Geórgia, Faculdade de Computação. Este artigo está disponível em arquivo sob a licença CC BY 4.0. Este artigo está disponível em arquivo sob a licença CC BY 4.0.

Bias em modelos de aprendizagem de máquina para detecção de depressão

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Digital Nomads Ouçam: O que você precisa saber sobre o novo visto DTV da Tailândia

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Digital Nomads Ouçam: O que você precisa saber sobre o novo visto DTV da Tailândia

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps