| Texto completo | |
| Autor(es): |
Giuntini, Felipe Taliar
[1, 2]
;
De Moraes, Kaue L. P.
[1]
;
Cazzolato, Mirela T.
[1]
;
Kirchner, Luziane de Fatima
[3]
;
Dos Reis, Maria de Jesus D.
[4]
;
Traina, Agma J. M.
[1]
;
Campbell, Andrew T.
[5]
;
Ueyama, Jo
[1]
Número total de Autores: 8
|
| Afiliação do(s) autor(es): | [1] Univ Sao Paulo, Inst Math & Comp Sci, BR-13566590 Sao Carlos, SP - Brazil
[2] Sidia Inst Sci & Technol, BR-69055035 Manaus, Amazonas - Brazil
[3] Univ Catolica Dom Bosco, Dept Psychol, BR-79117900 Campo Grande, MS - Brazil
[4] Univ Fed Sao Carlos, Dept Psychol, BR-13565905 Sao Carlos, SP - Brazil
[5] Dartmouth Coll, Dept Comp Sci, Hanover, NH 03755 - USA
Número total de Afiliações: 5
|
| Tipo de documento: | Artigo Científico |
| Fonte: | IEEE ACCESS; v. 9, p. 97621-97635, 2021. |
| Citações Web of Science: | 0 |
| Resumo | |
Depression is one of the most growing health disorders, generating social and economic problems. The affective computing models focus on analyzing unique user posts, not observing temporal behavior patterns, which are essential to track changes and the evolution of emotional behavior and user context, that involves the persistent analysis of feelings and characteristics over time. This article proposes the TROAD framework for longitudinal recognition of sequential patterns from depressive users on social media. The framework identifies the best interval to analyze every user activity, extracts emotional and contextual features from user data, and models the features into time windows to recognize sequential patterns from depressive user behavior. The main characteristics of the users found in the top-10 rules are negative emotions: violence, pain, shame, depression, sadness, and silence. We obtained strong sequence patterns with a minimum of 70% of support, 81% of confidence, and 69% regarding sequential confidence, considering periods of silence between users' posts. Without considering silent periods, the rules showed 70%, 86%, and 38% of support, confidence, and sequential confidence. TROAD computational approach is a promising tool for clinical specialists in human behavior. (AU) | |
| Processo FAPESP: | 18/24414-2 - Ambiente para integração de técnicas para a extração de características e bases de dados complexos para o projeto MIVisBD |
| Beneficiário: | Mirela Teixeira Cazzolato |
| Modalidade de apoio: | Bolsas no Brasil - Programa Capacitação - Treinamento Técnico |
| Processo FAPESP: | 20/07200-9 - Analisando dados complexos vinculados a COVID-19 para apoio à tomada de decisão e prognóstico |
| Beneficiário: | Agma Juci Machado Traina |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |
| Processo FAPESP: | 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria |
| Beneficiário: | Francisco Louzada Neto |
| Modalidade de apoio: | Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs |
| Processo FAPESP: | 16/17078-0 - Mineração, indexação e visualização de Big Data no contexto de sistemas de apoio à decisão clínica (MIVisBD) |
| Beneficiário: | Agma Juci Machado Traina |
| Modalidade de apoio: | Auxílio à Pesquisa - Temático |
| Processo FAPESP: | 20/11258-2 - Consultas por similaridade e interoperabilidade em bases de dados médicos |
| Beneficiário: | Mirela Teixeira Cazzolato |
| Modalidade de apoio: | Bolsas no Brasil - Pós-Doutorado |
| Processo FAPESP: | 18/17335-9 - Explorando DLTs e a inteligência computacional em IoT |
| Beneficiário: | Jó Ueyama |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |