Modelo de IA detecta trastornos mentales basándose en publicaciones web

Investigadores de Dartmouth han construido un modelo de inteligencia artificial para detectar trastornos mentales usando conversaciones en Reddit, parte de una ola emergente de herramientas de detección que usan computadoras para analizar publicaciones en redes sociales y obtener información sobre los estados mentales de las personas.

Lo que distingue al nuevo modelo es un enfoque en las emociones en lugar del contenido específico de los textos de las redes sociales que se analizan. En un documento presentado en la 20ª Conferencia Internacional sobre Inteligencia Web y Tecnología de Agente Inteligente, los investigadores muestran que este enfoque funciona mejor con el tiempo, independientemente de los temas discutidos en las publicaciones.

Hay muchas razones por las que las personas no buscan ayuda para los trastornos de salud mental: el estigma, los altos costos y la falta de acceso a los servicios son algunas de las barreras comunes. También hay una tendencia a minimizar los signos de trastornos mentales o combinarlos con el estrés, dice Xiaobo Guo, Guarini ’24, coautor del artículo. Es posible que busquen ayuda con algunas sugerencias, dice, y ahí es donde las herramientas de detección digital pueden marcar la diferencia.

«Las redes sociales ofrecen una manera fácil de acceder a los comportamientos de las personas», dice Guo. Los datos son voluntarios y públicos, publicados para que otros los lean, dice.

Reddit, que ofrece una red masiva de foros de usuarios, fue su plataforma elegida porque tiene casi 500 millones de usuarios activos que discuten una amplia gama de temas. Las publicaciones y los comentarios están disponibles públicamente, y los investigadores pudieron recopilar datos que se remontan a 2011.

En su estudio, los investigadores se centraron en lo que denominan trastornos emocionales (trastornos depresivos mayores, de ansiedad y bipolares) que se caracterizan por patrones emocionales distintos. Analizaron los datos de los usuarios que habían informado que tenían uno de estos trastornos y de los usuarios sin ningún trastorno mental conocido.

Entrenaron a su modelo para etiquetar las emociones expresadas en las publicaciones de los usuarios y mapear las transiciones emocionales entre diferentes publicaciones, por lo que una publicación podría etiquetarse como «alegría», «ira», «tristeza», «miedo», «sin emoción» o una combinación de estos. El mapa es una matriz que mostraría la probabilidad de que un usuario pasara de un estado a otro, como de la ira a un estado neutral sin emociones.

Los diferentes trastornos emocionales tienen sus propios patrones distintivos de transiciones emocionales. Al crear una «huella digital» emocional para un usuario y compararla con firmas establecidas de trastornos emocionales, el modelo puede detectarlos. Para validar sus resultados, lo probaron en publicaciones que no se usaron durante el entrenamiento y muestran que el modelo predice con precisión qué usuarios pueden o no tener uno de estos trastornos.

Este enfoque evita un problema importante llamado «fuga de información» con el que se topan las herramientas típicas de detección, dice Soroush Vosoughi, profesor asistente de informática y otro coautor. Otros modelos se basan en el escrutinio y la confianza en el contenido del texto, dice, y aunque los modelos muestran un alto rendimiento, también pueden ser engañosos.

Por ejemplo, si un modelo aprende a correlacionar «COVID» con «tristeza» o «ansiedad», explica Vosoughi, naturalmente asumirá que un científico que estudia y publica (bastante desapasionadamente) sobre COVID-19 sufre de depresión o ansiedad. Por otro lado, el nuevo modelo solo se concentra en la emoción y no aprende nada sobre el tema o evento particular descrito en las publicaciones.

Si bien los investigadores no analizan las estrategias de intervención, esperan que este trabajo pueda señalar el camino hacia la prevención. En su artículo, defienden contundentemente un escrutinio más reflexivo de los modelos basados ​​en los datos de las redes sociales. «Es muy importante tener modelos que funcionen bien», dice Vosoughi, «pero que también comprendan realmente su funcionamiento, sus sesgos y sus limitaciones».