Revisión sistemática de modelos de machine learning y deep learning aplicados a la detección temprana de depresión en redes sociales

Abstract

La Organización Mundial de la Salud estima que cerca de un 3,8 % de la población padece depresión. Tradicionalmente, su diagnóstico se realiza mediante cuestionarios aplicados por un profesional de la salud mental, pero las redes sociales han abierto nuevas oportunidades en su detección temprana gracias a la tendencia creciente de las personas de expresar sus emociones y compartir sus problemas a través de estas plataformas. Este estudio investiga y compara los métodos y técnicas de aprendizaje automático utilizados por diversos autores para detectar signos de depresión en redes sociales, incluyendo modelos clásicos como árboles aleatorios y Naive Bayes, enfoques de aprendizaje profundo como BERT y redes neuronales, y métodos de ensamble, con el objetivo de evaluar su efectividad en la detección temprana de la enfermedad y exponer sus principales limitaciones. Los resultados muestran que características como el contenido textual, el uso de emojis y el horario de publicación influyen en la identificación de tendencias depresivas, y que, entre los métodos revisados, los modelos basados en BERT alcanzan las métricas más altas.