{"id":4075,"date":"2023-04-12T01:58:13","date_gmt":"2023-04-12T04:58:13","guid":{"rendered":"https:\/\/cienciasbahia.org.br\/novo\/?p=4075"},"modified":"2023-04-12T01:58:13","modified_gmt":"2023-04-12T04:58:13","slug":"cientistas-usam-inteligencia-artificial-e-rede-social-para-criar-modelo-que-preve-ansiedade-e-depressao","status":"publish","type":"post","link":"https:\/\/cienciasbahia.org.br\/novo\/2023\/04\/12\/cientistas-usam-inteligencia-artificial-e-rede-social-para-criar-modelo-que-preve-ansiedade-e-depressao\/","title":{"rendered":"Cientistas usam intelig\u00eancia artificial e rede social para criar modelo que prev\u00ea ansiedade e depress\u00e3o"},"content":{"rendered":"

\"\"<\/p>\n

Pesquisadores USP est\u00e3o usando intelig\u00eancia artificial e uma das maiores plataformas do mundo, o Twitter, para tentar criar modelos de predi\u00e7\u00e3o de ansiedade e depress\u00e3o que, no futuro, podem dar sinais desses transtornos antes do diagn\u00f3stico cl\u00ednico. A constru\u00e7\u00e3o da base de dados, chamada SetembroBR, foi um primeiro passo e est\u00e1 descrita em <\/span>artigo publicado<\/span><\/a> na revista cient\u00edfica Language Resources and Evaluation. O nome \u00e9 uma homenagem ao movimento Setembro Amarelo \u2013 uma campanha de preven\u00e7\u00e3o ao suic\u00eddio realizada anualmente \u2013 e tamb\u00e9m pelo fato de a coleta de dados ter come\u00e7ado em um m\u00eas de setembro.<\/span><\/p>\n

Na segunda etapa do trabalho, ainda em desenvolvimento, os cientistas conseguiram alguns resultados preliminares. Entre eles, o que aponta ser poss\u00edvel detectar se uma pessoa apresenta maior risco de vir a desenvolver depress\u00e3o apenas com base na rede social de amigos e seguidores, ou seja, sem levar em conta as postagens feitas pelo pr\u00f3prio indiv\u00edduo.<\/span><\/p>\n

A base criada pelo grupo engloba informa\u00e7\u00f5es relacionadas a texto (em portugu\u00eas) e \u00e0 rede de conex\u00f5es de 3,9 mil usu\u00e1rios do Twitter que, posteriormente ao levantamento, relataram diagn\u00f3stico ou tratamento de transtorno mental. O corpus (ou a colet\u00e2nea de informa\u00e7\u00f5es sobre determinado tema) inclui todos os tweets p\u00fablicos escritos por esses usu\u00e1rios individualmente \u2013 sem retu\u00edtes \u2013, totalizando cerca de 47 milh\u00f5es desses pequenos textos.<\/span><\/p>\n

\u201cInicialmente fizemos uma coleta nas timelines em um trabalho artesanal, analisando textos de cerca de 19 mil usu\u00e1rios do Twitter, o que corresponde quase \u00e0 popula\u00e7\u00e3o de uma pequena cidade. E depois usamos dois conjuntos \u2013 uma parte de usu\u00e1rios realmente diagnosticados com transtornos mentais e outra aleat\u00f3ria, que serviu de controle. Quer\u00edamos diferenciar pessoas com depress\u00e3o e a popula\u00e7\u00e3o em geral\u201d, explica Ivandre Paraboni, professor da Escola de Artes, Ci\u00eancias e Humanidades (EACH) da USP e autor correspondente do artigo.<\/span><\/p>\n

Al\u00e9m dos usu\u00e1rios, a pesquisa coletou textos da rede de amigos e de seguidores. Isso porque \u00e9 comum uma pessoa que tenha algum tipo de transtorno mental seguir determinadas contas, como f\u00f3runs de discuss\u00e3o ou alguma celebridade que publicamente assumiu estar com depress\u00e3o. \u201cEssas pessoas se atraem porque t\u00eam interesses comuns\u201d, completa Paraboni, que \u00e9 pesquisador associado do Centro de Intelig\u00eancia Artificial (C4AI), um Centro de Pesquisa em Engenharia (CPE) constitu\u00eddo por Fapesp e IBM Brasil na USP.<\/span><\/p>\n

A Funda\u00e7\u00e3o tamb\u00e9m apoia o estudo por meio do projeto \u201cAn\u00e1lise da linguagem em redes sociais para detec\u00e7\u00e3o precoce de transtornos de sa\u00fade mental\u201d, liderado por Paraboni.<\/span><\/p>\n

Dist\u00farbios de sa\u00fade mental, entre eles depress\u00e3o e ansiedade, t\u00eam sido apontados pela Organiza\u00e7\u00e3o Mundial da Sa\u00fade (OMS) como uma preocupa\u00e7\u00e3o crescente no mundo. Estimativas do \u00f3rg\u00e3o calculam que cerca de 3,8% da popula\u00e7\u00e3o \u2013 ou 280 milh\u00f5es de pessoas \u2013 \u00e9 afetada pela depress\u00e3o, de acordo com dados de 2021.<\/span><\/p>\n

Com a pandemia de covid-19, per\u00edodo em que os textos do Twitter foram coletados pelos pesquisadores, houve um aumento de 25% na preval\u00eancia global de ansiedade e depress\u00e3o.<\/span><\/p>\n

No Brasil, estudo recente do Minist\u00e9rio da Sa\u00fade envolvendo 784 mil participantes revelou que 11,3% dos brasileiros j\u00e1 foram diagnosticados com depress\u00e3o, sendo a maior parte mulheres.<\/span><\/p>\n

Pesquisas anteriores mostraram que transtornos mentais muitas vezes se refletem na linguagem usada por indiv\u00edduos que sofrem dessas condi\u00e7\u00f5es, o que levou \u00e0 realiza\u00e7\u00e3o de n\u00famero consider\u00e1vel de trabalhos envolvendo Processamento de Linguagem Natural (NLP, na sigla em ingl\u00eas), com foco em depress\u00e3o, ansiedade e transtorno bipolar, entre outros. Por\u00e9m, a maior parte foi realizada para a l\u00edngua inglesa, nem sempre refletindo o perfil brasileiro.<\/span><\/p>\n

MODELOS<\/span><\/p>\n

Para realizar o estudo, o grupo da USP submeteu o corpus textual a procedimentos de pr\u00e9-processamento e limpeza de dados para remover hashtags, URLs, emoticons e caracteres fora do padr\u00e3o, mas mantendo a escrita original.<\/span><\/p>\n

Foram utilizados m\u00e9todos de aprendizado profundo (do ingl\u00eas deep learning) para criar quatro classificadores de texto e embeddings de palavras individualizadas ou dependentes de contexto usando modelos baseados em transformers do tipo Bert (um algoritmo de aprendizado profundo). Esses modelos correspondem a uma rede neural que aprende o contexto e o significado com o monitoramento de rela\u00e7\u00f5es em dados sequenciais, como palavras em uma frase.<\/span><\/p>\n

Como entrada, foi utilizada uma amostra de 200 tweets selecionados aleatoriamente de cada usu\u00e1rio. Os par\u00e2metros s\u00e3o definidos executando cinco vezes a valida\u00e7\u00e3o cruzada dos dados de treinamento e calculando os resultados m\u00e9dios.<\/span><\/p>\n

A pesquisa detectou que os modelos de transformers do tipo Bert foram os que tiveram melhor desempenho nas tarefas de previs\u00e3o de depress\u00e3o e transtorno de ansiedade. A diferen\u00e7a entre ele e a segunda melhor alternativa, a LogReg, foi estatisticamente significativa.<\/span><\/p>\n

Como os modelos analisam sequ\u00eancias de palavras ou frases inteiras, observou-se que indiv\u00edduos com depress\u00e3o, por exemplo, tendem a falar de assuntos relacionados a eles mesmos, usando express\u00f5es e verbos na primeira pessoa, e temas como morte, crise e psic\u00f3logo.<\/span><\/p>\n

\u201cOs indicativos de depress\u00e3o que aparecem no consult\u00f3rio n\u00e3o s\u00e3o necessariamente os mesmos que est\u00e3o na rede social. Por exemplo: percebemos, de maneira bem forte, o uso na rede de pronomes na primeira pessoa, como \u201ceu\u201d e \u201cmim\u201d, o que na psicologia \u00e9 um indicativo cl\u00e1ssico de depress\u00e3o. Mas tamb\u00e9m constatamos uma incid\u00eancia alta entre os usu\u00e1rios depressivos da utiliza\u00e7\u00e3o do s\u00edmbolo de cora\u00e7\u00e3ozinho, o emoji da afetividade, que talvez ainda n\u00e3o esteja caracterizado na psicologia\u201d, afirma Paraboni.<\/span><\/p>\n

O professor destaca que os textos foram coletados totalmente anonimizados. \u201cN\u00e3o divulgamos nenhum tweet nem o nome de usu\u00e1rios. Tomamos o cuidado de nem os pr\u00f3prios alunos envolvidos no projeto terem acesso a dados de usu\u00e1rios para proteger a identidade das pessoas\u201d, diz.<\/span><\/p>\n

Agora, al\u00e9m de ampliar a base de dados, os pesquisadores trabalham para refinar a t\u00e9cnica computacional empregada e aprimorar os modelos iniciais visando, no futuro, uma ferramenta que talvez possa vir a ser aplicada na pr\u00e1tica. Poderia auxiliar tanto em uma eventual triagem inicial de pessoas com indicativos de transtornos como ajudar pais, familiares e amigos de jovens com risco de depress\u00e3o e ansiedade.<\/span><\/p>\n

O Brasil \u00e9 o terceiro pa\u00eds que mais consome redes sociais no mundo, segundo levantamento divulgado no in\u00edcio de mar\u00e7o pela Comscore, atr\u00e1s de \u00cdndia e Indon\u00e9sia e \u00e0 frente de Estados Unidos, M\u00e9xico e Argentina.<\/span><\/p>\n

S\u00e3o 131,5 milh\u00f5es de usu\u00e1rios conectados no pa\u00eds durante 46 horas por m\u00eas, em m\u00e9dia, o que representa quase dois dias inteiros. As redes mais acessadas pelos brasileiros s\u00e3o YouTube, Facebook, Instagram, TikTok, Kwai e Twitter, que recentemente mudou suas regras, al\u00e9m de passar a cobrar por alguns tipos de servi\u00e7os.<\/span><\/p>\n

O artigo SetembroBR: a social media corpus for depression and anxiety disorder prediction <\/span>pode ser acessado neste link<\/span><\/a>.<\/span><\/p>\n

Fonte: Jornal da USP \/ Texto: Luciana Constantino – Ag\u00eancia Fapesp<\/span><\/p>\n

Foto: Reprodu\u00e7\u00e3o\/Freepik<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

Pesquisadores USP est\u00e3o usando intelig\u00eancia artificial e uma das maiores plataformas do mundo, o Twitter, para tentar criar modelos de predi\u00e7\u00e3o de ansiedade e depress\u00e3o que, no futuro, podem dar sinais desses transtornos antes do diagn\u00f3stico cl\u00ednico. A constru\u00e7\u00e3o da base de dados, chamada SetembroBR, foi um primeiro passo e est\u00e1 descrita em artigo publicado […]<\/p>\n","protected":false},"author":3,"featured_media":4076,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":"","footnotes":""},"categories":[1],"tags":[],"class_list":["post-4075","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-noticias"],"acf":[],"_links":{"self":[{"href":"https:\/\/cienciasbahia.org.br\/novo\/wp-json\/wp\/v2\/posts\/4075","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cienciasbahia.org.br\/novo\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cienciasbahia.org.br\/novo\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cienciasbahia.org.br\/novo\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/cienciasbahia.org.br\/novo\/wp-json\/wp\/v2\/comments?post=4075"}],"version-history":[{"count":1,"href":"https:\/\/cienciasbahia.org.br\/novo\/wp-json\/wp\/v2\/posts\/4075\/revisions"}],"predecessor-version":[{"id":4077,"href":"https:\/\/cienciasbahia.org.br\/novo\/wp-json\/wp\/v2\/posts\/4075\/revisions\/4077"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/cienciasbahia.org.br\/novo\/wp-json\/wp\/v2\/media\/4076"}],"wp:attachment":[{"href":"https:\/\/cienciasbahia.org.br\/novo\/wp-json\/wp\/v2\/media?parent=4075"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cienciasbahia.org.br\/novo\/wp-json\/wp\/v2\/categories?post=4075"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cienciasbahia.org.br\/novo\/wp-json\/wp\/v2\/tags?post=4075"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}