Un nouveau programme d'IA pour mieux détecter le langage dépressif dans les médias sociaux

Une nouvelle technologie utilisant l'intelligence artificielle détecte le langage dépressif dans les publications sur les réseaux sociaux avec plus de précision que les systèmes actuels et utilise moins de données pour le faire.

Cette technologie, présentée lors de la Conférence européenne sur l'apprentissage machine et les principes et pratiques de la découverte de connaissances dans des bases de données, est la première du genre à montrer que, pour détecter plus précisément le langage dépressif, il est possible d'appliquer de petits ensembles de données de haute qualité. à l’apprentissage en profondeur, une approche d’intelligence artificielle couramment utilisée, généralement très consommatrice de données.

Des recherches psycholinguistiques antérieures ont montré que les mots que nous utilisons quotidiennement en interaction avec les autres sont un bon indicateur de notre état mental et émotionnel.

Les tentatives antérieures d’application de techniques d’apprentissage en profondeur pour détecter et surveiller la dépression dans les publications sur les réseaux sociaux s’avèrent être fastidieuses et coûteuses, a expliqué Nawshad Farruque, Ph.D. de l’Université de l’Alberta. étudiant en informatique qui dirige la nouvelle étude.

Il a expliqué qu'un article de Twitter disant qu'une personne est déprimée parce que Netflix est en panne n'exprime pas vraiment la dépression. Il faudrait donc que quelqu'un l'explique à l'algorithme.

"L'apprentissage en profondeur nécessite généralement beaucoup de données", a déclaré Farruque. "Vous devez essentiellement alimenter votre machine avec de nombreux exemples de ce que vous essayez de lui enseigner. Cependant, il est rare de trouver des données étiquetées (humaines expert) avec un langage dépressif. Notre travail réduit considérablement le besoin de données étiquetées. "

Farruque a utilisé un langage extrait de forums sur la dépression en ligne pour enseigner à son modèle comment reconnaître le langage associé à la dépression dans les tweets. La nouvelle approche aide également les machines à comprendre quels mots ou quelle combinaison de mots peuvent réellement transmettre des sentiments déprimés. Un exemple est "Hier a été difficile … tout comme aujourd'hui et demain et les jours suivants", par rapport à "La nuit dernière n'a pas été bonne nuit de sommeil … si fatigué et j'ai un concert ce soir … beurk" est plus une expression de frustration.

Farruque s’emploie également à exploiter d’autres sources publiques d’utilisation du langage expressif, notamment les notes de suicide et les lettres d’amour, qui peuvent toutes contribuer à l’apprentissage de modèles linguistiques robustes sur la dépression.

"L'idée derrière la recherche est de détecter la dépression à ses débuts afin que les gens puissent être dirigés vers les ressources appropriées le plus rapidement possible", a expliqué Farruque, qui travaille sous la supervision des chercheurs de l'Université de l'Alberta, Osmar Zaïane et Randy Goebel.

Farruque pense que la nouvelle technologie pourrait un jour être intégrée à Twitter automutilation et suicide politique et pourrait aider à améliorer les algorithmes de détection de la dépression existants, déjà intégrés à Facebook.