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.

La technologie, qui a été présenté lors de la Conférence européenne sur l'apprentissage automatique et les principes et pratiques de la découverte des connaissances dans les bases de données, est le premier du genre à montrer que, pour détecter plus précisément le langage dépressif, petit, des ensembles de données de haute qualité peuvent être appliqués à l'apprentissage en profondeur, une approche d'IA couramment utilisée qui est généralement gourmande en 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 passées d'appliquer des techniques d'apprentissage en profondeur pour détecter et surveiller la dépression dans les publications sur les réseaux sociaux se sont avérées fastidieuses et coûteuses, a expliqué Nawshad Farruque, un doctorat de l'Université de l'Alberta. étudiant en informatique qui dirige la nouvelle étude.

Il a expliqué qu'un message sur Twitter disant que quelqu'un est déprimé parce que Netflix est en panne n'exprime pas vraiment la dépression, il faudrait donc que quelqu'un "explique" cela à l'algorithme.

"Le deep learning est généralement très gourmand en données, " a déclaré Farruque. " Vous devez essentiellement alimenter votre machine avec beaucoup d'exemples de ce que vous essayez de lui enseigner. Cependant, Les données étiquetées (humaines expertes) avec un langage dépressif sont rares. Notre travail réduit considérablement le besoin de telles quantités énormes de données étiquetées."

Farruque a utilisé un langage tiré des forums en ligne sur la dépression pour apprendre à son modèle à 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 pourraient réellement exprimer des sentiments dépressifs. Un exemple est « Hier a été difficile … tout comme aujourd'hui et demain et les jours d'après, " par rapport à "La nuit dernière n'était pas une bonne nuit pour dormir... tellement fatigué et j'ai un concert ce soir... bâillement, " qui est plus une expression de frustration.

Farruque travaille également à l'exploitation d'autres sources publiques d'utilisation du langage expressif, y compris les notes de suicide et les lettres d'amour, tout cela peut contribuer à l'apprentissage de modèles de langage robustes sur la dépression.

"L'idée derrière la recherche est de détecter la dépression à ses débuts afin que les gens puissent être orientés vers les ressources appropriées dès que possible, " expliqua Farruque, qui travaille sous la supervision des chercheurs de l'U of A Osmar Zaïane et Randy Goebel.

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