Um modelo de classificação híbrido para a identificação de estudantes universitários com depressão

• Processo: 24/12772-2
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de abril de 2025
• Data de Término da vigência: 28 de fevereiro de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Vânia Paula de Almeida Neris
• Beneficiário: Evandro Yudi Alves Ribeiro
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Assunto(s): Aprendizado computacional Depressão Interface usuário-computador Saúde mental
• Palavra(s)-Chave do Pesquisador: Aprendizado de máquina | Computação Centrada no Humano | Depressão | Interação Humano-Computador | Modelo de classificação | Saúde mental | 1 | 2 | 3 | 4 | 5 | 6 | Interação Humano-Computador

Resumo

Existe um consenso na área da saúde mental que, em casos de depressão maior, é necessário um modelo de atenção e acompanhamento amplo, que não se limite a somente aos fármacos. Estudos nesta área vêm buscando suporte em soluções computacionais, principalmente dos campos de Interação Humano-Computador (IHC) e Inteligência Artificial (IA). Estudos referente a abordagens de Aprendizado de Máquina (AM) no campo da saúde mental têm explorado o uso de dados provenientes de sensores móveis na identificação e inferência de sintomas relativos à depressão. Da mesma forma, trabalhos envolvendo Processamento de Linguagem Natural (PLN) investigam detecção de sintomas de depressivos a partir de postagens em Redes Sociais Online (RSO) e outras formas textuais de auto-relato como diários. Apesar do avanço observado na literatura, na área da saúde mental, denota-se uma lacuna de trabalhos que envolvam a combinação dos dados de séries temporais de sensores com dados textuais. Tal estratégia de combinar diferentes tipos de dados vêm sendo explorada em modelos de AM, multimodais e híbridos, e têm demonstrado resultar em um desempenho superior em relação as abordagens com apenas um tipo de dado. Dessa forma, este projeto tem por objetivo investigar a construção de um modelo híbrido para a identificação de Possível Perfil Depressivo (PPD) utilizando dados de sensores móveis processados e dados de texto de maneira conjunta em uma série temporal. Este projeto fará uso de uma infraestrutura computacional já existente, advinda do projeto Amive - Amigo Virtual Especializado, financiado pela FAPESP (20/05157-9), que coletou dados de estudantes universitários com e sem depressão, projetado para auxiliar a identificação de PPD utilizando dados sensoriais processados por um classificador de AM e dados de RSO e diário processados por um modelo de PLN. Dos desafios encontrados na infraestrutura Amive, é de interesse deste projeto os problemas de underfitting identificado nos testes do classificador atual da solução e a ausência do trabalho conjunto dos dados sensoriais e textuais dos modelos de AM e PLN. Os resultados esperados podem contribuir com o estado-da-arte no tema por testar estratégias de ajuste fino para a identificação de PPD e propor uma solução de classificação que considera dados de sensores e texto conjuntamente.