Crédito: dominio público Unsplash/CC0
Las redes sociales son una especie de tablero en el mundo de hoy. Es un lugar donde las personas van a compartir sus pensamientos, opiniones y sentimientos, y a probar las reacciones de los demás también. A cambio, reciben comentarios, a menudo en tiempo real, así como apoyo y validación.
Para algunas personas, compartir en pantalla también puede proporcionar un punto de entrada más fácil para la comunicación, incluso si no son totalmente conscientes de ella, en contra de compartir en persona o cara a cara.
“En las redes sociales, las personas a menudo perciben una distinción entre su personalidad en línea y su identidad del mundo real. Algunas personas se sienten más cómodas revelando sentimientos como desesperanza o experiencias como el divorcio o la pérdida de empleo, debido al anonimato o la distancia percibidos por las redes sociales”, dice Wenli Zhang, profesor asistente de sistemas de información y análisis de negocios en la Universidad Estatal de Iowa. “Esos rastros digitales son lo que queremos extraer”.
Zhang es parte de un equipo de investigación que ha desarrollado un modelo de aprendizaje profundo para detectar síntomas de salud mental y factores de riesgo en las redes sociales. Su estudio, “Detección de depresión utilizando trazas digitales en las redes sociales: un enfoque de aprendizaje profundo consciente del conocimiento”, se publicó en el Journal of Management Information Systems y se centra en la depresión.
La depresión es una de las enfermedades mentales más comunes en los Estados Unidos. Según el Instituto Nacional de Salud Mental (NIMH), se estima que 21 millones de adultos estadounidenses, o el 8.3% de todos los adultos en los Estados Unidos, experimentaron al menos un episodio depresivo mayor en 2021. De estos adultos, se estima que el 61% recibió tratamiento, informa NIMH.
“La depresión y otros trastornos de salud mental están comúnmente subdiagnosticados y, en consecuencia, poco tratados”, dice Zhang. “El estigma puede evitar que un paciente responda honestamente durante un examen de salud en el consultorio de un médico, por lo que con esta investigación, nuestro objetivo es identificar y ofrecer otro enfoque complementario”.
Aplicaciones potenciales
Zhang enfatiza que el “marco de detección de depresión consciente de los conocimientos profundos” tiene aplicaciones potenciales para las personas, así como a los profesionales de la salud pública, los responsables políticos e investigadores.
Las compañías de redes sociales podrían usar el modelo para crear un sistema de advertencia temprana, lo que sugiere cuándo las personas deben buscar ayuda y proporcionarles recursos, mientras que los profesionales de la salud pública y los responsables políticos podrían analizar los datos a nivel de población para determinar qué ubicaciones o datos demográficos necesitan más servicios de salud mental.
En cuanto a los investigadores, Zhang dice que el modelo brinda una oportunidad única para recopilar datos a nivel de población con el tiempo.
“Por ejemplo, podríamos ver los últimos 10 años de datos X (anteriormente Twitter) y asociarlos con diferentes eventos: guerra, pandemias, etc. No hay forma de que podamos obtener ese nivel de datos de las encuestas”, dice Zhang.
Zhang señala que otros investigadores han desarrollado modelos para detectar depresión en las redes sociales; Sin embargo, el “marco de detección de depresión consciente de conocimiento profundo” difiere del trabajo existente porque compara la terminología médica para los riesgos y síntomas de la depresión con las publicaciones en las redes sociales de un individuo a lo largo del tiempo.
“Estudios anteriores han analizado las publicaciones con sentimientos positivos o negativos, que no creemos que sea exacto para la detección de depresión porque alguien podría quejarse de una mala película, mal tiempo, etc. Sin embargo, no son indicadores de alguien con depresión. Entonces, creo que esa es una gran diferencia entre nuestro modelo y otros estudios anteriores”, dice Zhang.
Zhang y su compañero equipo de investigadores enseñaron a su modelo cómo detectar sistemas de depresión y riesgos utilizando más de 1.3 millones de publicaciones de archivo Reddit y 2.500 entradas de WebMD. Zhang dice que el modelo también puede usar otras plataformas y conjuntos de datos de redes sociales, y otro estudio bajo revisión indica que una nueva versión del modelo puede detectar trastornos de salud mental adicionales.
Preocupaciones éticas y de privacidad
Zhang y sus coautores dicen que usar las redes sociales para detectar síntomas y factores de riesgo de enfermedades crónicas podría ser una intervención rentable, ya que las publicaciones públicas proporcionan un conjunto de datos grande, diverso y gratuito. Sin embargo, reconocen que existen preocupaciones éticas y relacionadas con la privacidad que deben abordarse.
“Abordar el potencial de abuso y garantizar el uso responsable de los modelos de aprendizaje automático de detección de depresión basados en redes sociales implica una combinación de consideraciones éticas, salvaguardas legales y medidas técnicas”, dice Zhang.
Zhang dice que las plataformas de redes sociales deberían priorizar el consentimiento informado al recopilar datos para modelos de aprendizaje automático relacionados con la salud, incluso si los datos están anonimizados. Esto incluye comunicar el propósito de la recopilación de datos y cómo se utilizará y obtener el consentimiento explícito de los usuarios.
Ella dice que las compañías de redes sociales también deben garantizar que las prácticas de recopilación, almacenamiento y uso de datos cumplan con las leyes y regulaciones de privacidad, incluida la regulación general de protección de datos y la Ley de Portabilidad y Responsabilidad del Seguro de Salud.
“Los formuladores de políticas pueden establecer comités de supervisión ética o juntas de revisión que incluyen privacidad, ética de datos y expertos en salud mental para guiar las implicaciones éticas de la investigación y el desarrollo de los modelos de máquinas”, dice Zhang. “Los investigadores también tienen un papel en compartir los posibles beneficios y limitaciones de los modelos de detección de depresión basados en las redes sociales con las partes interesadas y el público en general”.
En el futuro, Zhang y su equipo quieren expandir su modelo para incluir otros aspectos de la salud, incluida la diabetes, la enfermedad cardíaca y el asma. Imaginan la incorporación de fotos, videos y audio de las redes sociales para capturar más datos de comportamiento. Las imágenes frecuentes de alimentos grasientos o ricos podrían marcar los riesgos de enfermedades cardiovasculares, por ejemplo, mientras que las imágenes con altos niveles de contaminación del aire podrían advertir a las personas con asma.
Zhang dice que el aprendizaje automático no es un reemplazo para la atención médica tradicional. Más bien, es otro enfoque para ayudar a las personas y proporcionar datos a nivel de población para ayudar a los proveedores y formuladores de políticas.
Más información: Wenli Zhang et al, Detección de depresión utilizando trazas digitales en las redes sociales: un enfoque de aprendizaje profundo consciente del conocimiento, Journal of Management Information Systems (2024). Doi: 10.1080/07421222.2024.2340822
Proporcionado por la Universidad Estatal de Iowa
Cita: el modelo de IA analiza las publicaciones en las redes sociales para detectar signos de depresión (2025, 12 de mayo) Recuperado el 12 de mayo de 2025 de https://techxplore.com/news/2025-05-ai-social-media-epression.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
