Un robot peut repérer les utilisateurs déprimés de Twitter dans 9 cas sur 10.

Un algorithme récemment développé peut repérer la dépression chez les utilisateurs de Twitter avec une précision de 88,39 %. Mis au point par des chercheurs de l’université Brunel de Londres et de l’université de Leicester, l’algorithme détermine l’état mental d’une personne en extrayant et en analysant 38 points de données de son profil Twitter public, notamment le contenu de ses messages, l’heure à laquelle il les publie et les autres utilisateurs de son cercle social.

L’équipe de recherche affirme que des systèmes similaires pourraient avoir une série d’utilisations différentes à l’avenir sur plusieurs plateformes, comme le diagnostic précoce de la dépression, le dépistage des emplois ou les enquêtes policières.

« Nous avons testé l’algorithme sur deux grandes bases de données et comparé nos résultats à d’autres techniques de détection de la dépression », a déclaré le professeur Abdul Sadka, directeur de l’Institute of Digital Futures de Brunel. « Dans tous les cas, nous avons réussi à surpasser les techniques existantes en termes de précision de classification. »

L’algorithme a été entraîné à l’aide de deux bases de données qui contiennent l’historique Twitter de milliers d’utilisateurs, ainsi que des informations supplémentaires sur la santé mentale de ces utilisateurs. Quatre-vingt pour cent des informations contenues dans chaque base de données ont été utilisées pour apprendre au robot, les 20 % restants étant ensuite utilisés pour tester sa précision.

Le robot fonctionne en excluant d’abord tous les utilisateurs ayant moins de cinq tweets et en soumettant les profils restants à un logiciel de langage naturel pour corriger les fautes d’orthographe et les abréviations.

Il prend ensuite en compte 38 facteurs distincts, tels que l’utilisation par un utilisateur de mots positifs et négatifs, le nombre d’amis et de followers qu’il a, et son utilisation d’emojis, et détermine l’état mental et émotionnel de cet utilisateur.

En utilisant le jeu de données sur la dépression de Tsinghua Twitter, l’équipe a obtenu une précision de 88,39 %, tandis qu’une précision de 70,69 % a été obtenue en utilisant le jeu de données CLPsych 2015 de l’Université John Hopkins.

« Tout ce qui est supérieur à 90% est considéré comme excellent en apprentissage automatique. Donc, 88 % pour l’une des deux bases de données est fantastique », a déclaré le professeur Sadka.

« Ce n’est pas précis à 100%, mais je ne pense pas qu’à ce niveau, une solution d’apprentissage automatique puisse atteindre une fiabilité de 100%. Cependant, plus vous vous rapprochez du chiffre de 90 %, mieux c’est.  »

L’équipe affirme qu’un tel système pourrait potentiellement signaler la dépression d’un utilisateur avant qu’il ne publie quelque chose dans le domaine public, ouvrant la voie à des plateformes telles que Twitter et Facebook pour signaler de manière proactive les problèmes de santé mentale aux utilisateurs.

Cependant, le robot peut également être utilisé après qu’un message soit tombé dans le domaine public, permettant potentiellement aux employeurs et autres entreprises d’évaluer l’état mental d’un utilisateur sur la base de ses messages sur les médias sociaux. Selon les chercheurs, il pourrait être utilisé pour un certain nombre de raisons, notamment pour l’analyse des sentiments, les enquêtes criminelles ou la sélection des emplois,

« L’algorithme proposé est indépendant de la plateforme et peut donc être facilement étendu à d’autres systèmes de médias sociaux tels que Facebook ou WhatsApp », a déclaré le professeur Huiyu Zhou, professeur d’apprentissage automatique à l’université de Leicester.

« La prochaine étape de cette recherche consistera à examiner sa validité dans différents environnements ou contextes, et plus important encore, la technologie soulevée par cette enquête peut être développée pour d’autres applications, telles que le commerce électronique, l’examen du recrutement ou la sélection des candidatures. »

La recherche, « Cost-sensitive Boosting Pruning Trees for depression detection on Twitter », a été publiée dans IEEE Transactions on Affective Computing (en anglais).