Módulo de identificação de sinais de depressão considerando a linguagem figurada

• Processo: 25/05366-0
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de maio de 2025
• Data de Término da vigência: 31 de outubro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Helena de Medeiros Caseli
• Beneficiário: Diogo Conforti Vaz Bellini
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Vinculado ao auxílio: 24/10233-7 - Suporte baseado em IA para comunicação em saúde mental (AIM-Health), AP.R
• Assunto(s): Depressão Redes sociais Saúde mental Processamento de linguagem natural
• Palavra(s)-Chave do Pesquisador: depressão | Linguagem figurada | postagens textuais | redes sociais | Saúde Mental | Processamento de Linguagem Natural

Resumo

No âmbito do projeto Amive (FAPESP #20/05157-9), Mendes e Caseli (2024) analisaram 18 sintomas de depressão e 3 sinais adicionais (fatores de risco, fatores protetivos e morte ou suicídio de terceiros) e observaram que fatores externos e emoções são frequentemente expressos em textos de redes sociais, enquanto relatos diretos de sintomas somáticos (por exemplo, alteração de peso ou hábitos alimentares, sintomas físicos e distúrbios do sono) são incomuns. Os autores também concluíram que mesmo métodos robustos de aprendizado de máquina têm dificuldade para detectar a maioria dos sinais de depressão presentes em postagens textuais nas redes sociais. Um dos grandes desafios encontrados no Amive foi lidar com expressões abstratas de sinais, como o uso de expressões idiomáticas (por exemplo, "carregar o mundo nas costas"), metáforas (por exemplo, "vivo como um robô") e hipérboles (por exemplo, "não vejo graça em nada"). Mendes e Caseli (2024) sugeriram que são necessários modelos sofisticados e especializados para cobrir as variadas formas de expressar depressão nas postagens nas redes sociais. Conforme afirmam Abulaish et al. (2020), tweets literais são aqueles compostos por palavras padrão do dicionário e com uma polaridade de sentimento subjacente fácil de determinar; ao contrário dos tweets em linguagem não literal ou figurada que impõem uma grande dificuldade em reconhecer os reais sentimentos expressos pelos autores. Neste contexto, este projeto visa atacar uma das dificuldades encontradas no projeto Amive ao qual o projeto AIM-Health (FAPESP 24/10233-7) está vinculado no sentido de incorporar o entendimento da linguagem figurada na identificação dos sinais de depressão em postagens textuais sobre transtornos de saúde mental.