El documento discute el uso del machine learning para detectar trastornos mentales en redes sociales. Explica que el uso excesivo de redes sociales está relacionado con un aumento en la ansiedad, depresión e incluso suicidio. Los algoritmos de machine learning pueden utilizarse para anticipar estos trastornos analizando los datos y contenidos generados por los usuarios en las redes, como los hashtags en Instagram y Twitter o los textos en Facebook y Reddit. Esto permite detectar señales de trastornos mentales y brindar atención oportuna

1. Uso del machine learning para detectar los trastornos mentales en redes
sociales
Autor: Josue Nina-Cuchillo
ORCID ID: 0000-0002-2217-9713
Correo: josueninacuchillo@gmail.com
Data Science Research Perú
23 de noviembre de 2021
El uso excesivo de las redes sociales está incrementando los índices de
personas con episodios de ansiedad, depresión e incluso suicidio. El uso
del machine learning puede ayudar a detectar con anticipación estos
trastornos para prevenirlos.
Las enfermedades depresivas han ido en aumento en los últimos años según
numerosas investigaciones e indicadores. Asimismo, el uso de las redes sociales
online se ha incrementado año tras año y las predicciones implican que esta
tendencia se mantendrá durante mucho tiempo. Estas dos realidades parecen
estar estableciendo un nicho de estudio cada vez mayor en el que los datos
masivos generados por los usuarios en línea se pueden utilizar para anticipar
trastornos específicos, uno de los cuales parece ser los relacionados a
enfermedades mentales. En ese sentido, los algoritmos de machine learning se
pueden utilizar como una herramienta eficaz para este propósito cuando se
combinan con técnicas de procesamiento del lenguaje natural [1].
Los sistemas de Aprendizaje Automático (Machine Learning) aprenden de
manera autónoma a partir de los datos para tomar mejores decisiones. Como tal,
pertenecen al campo de la Inteligencia Artificial (IA). Hay 3 principales enfoques
para aprender de los datos: supervisado, no supervisado y aprendizaje
reforzado. En el aprendizaje supervisado, se predice el atributo y los algoritmos
infieren un modelo a partir de datos de entrada. En contraste, en el aprendizaje
no supervisado no hay ningún atributo a priori; este tipo de aprendizaje consiste
en agrupar los datos no estructurados según sus similitudes y patrones
característicos. Finalmente, en el aprendizaje por refuerzo se maximiza el

2. rendimiento mediante recompensas y castigos mientras se explora un entorno
desconocido y toma decisiones por medio de la prueba y el error [2].
Para el análisis y búsqueda de contenido relevante, relacionado a tópicos
de problemas emocionales, se pueden hacer uso de diversos métodos. Entre los
más efectivos está la Asignación Latente de Dirichlet (ALD) que ayuda en la
selección de la cantidad correcta de temas [3]. En el caso de redes sociales como
Instagram o Twitter, se realiza la búsqueda partiendo de los hashtags, dado que
la gente los usa para conectar sus fotos con diferentes ideas o conceptos,
simplificando así lo que pasa por sus mentes. Una publicación puede contener
varios hashtags y, por lo tanto, puede proporcionar una buena descripción
general de las palabras que están vinculadas a la mente de las personas [4].
En el caso de redes sociales como Facebook o Reddit, donde la
publicación viene acompañada de textos extensos es conveniente emplear un
esquema de clasificación de texto. La tarea de asignar un documento a una o
más categorías predefinidas en función de su contenido se conoce como
categorización de texto. La indexación de los trabajos es la primera y más
importante etapa. La práctica de mapear el conjunto de textos de cada usuario
en una versión condensada de su contenido se conoce como indexación. La
forma más frecuente de representar textos es con un vector con frases
ponderadas como entradas, una idea tomada del modelo espacial vectorial de
recuperación de información [5]. Una herramienta poderosa para este tipo de
análisis es el software LIWC (Linguistic Inquiry and Word Count) que clasifica las
palabras en categorías significativas a nivel psicolingüístico [6]. Asimismo, el uso
de algoritmos de minería de texto es de gran utilidad, dado que facilita el hallazgo
y el descubrimiento de información oculta en volúmenes enormes de información
de forma automatizada [7].
Mediante estos análisis realizados con el uso del machine learning, se
puede tener una visión clara sobre los usuarios que presentan indicios de
trastornos mentales, dado que muestran tendencias tales como la publicación de
estados en las redes sociales a altas horas de la noche, el uso excesivo de
pronombres en primera persona del singular, pensamientos pesimistas, entre
otros [8]. Entre los hallazgos que se muestran constantemente destacan
emociones como la soledad, la tristeza, hostilidad y la reflexión en usuarios con
depresión. En tanto que la ira, el miedo y el odio se expresan más en los textos

3. de usuarios con tendencia suicida. Además, con el uso de la inteligencia artificial
incluso se han detectado usuarios con trastornos alimentarios, abuso de drogas
y alcoholismo [9].
Figura 1. Visualización de tópicos asociados a trastornos mentales hallados en
las redes sociales [8].
Las redes sociales, constituyen un nuevo modo de comunicación entre
personas que comparten la misma visión negativa de la vida, lo que genera la
posibilidad de encontrarnos ante casos de trastornos mentales que pueden
resultar de autolesiones o suicidios [10]. Gracias al desarrollo de estas
herramientas de inteligencia artificial se ha logrado detectar los primeros
síntomas de trastornos mentales incluso hasta con 7 meses de anticipación [11].
Y ello permite que los afectados puedan recibir atención oportuna para mejorar
su salud mental y su calidad de vida [12].
Referencias
[1] J. N. Jiménez, “Study of Depression Detection in Online Social Networks
Using Natural Language Processing and Machine Learning,” Universidad
Politécnica de Valencia, Valencia, 2020.
[2] A. Le Glaz et al., “Machine learning and natural language processing in
mental health: Systematic review,” J. Med. Internet Res., vol. 23, no. 5, pp.
1–20, 2021, doi: 10.2196/15708.
[3] H. Jelodar et al., “Latent Dirichlet allocation (LDA) and topic modeling:
models, applications, a survey,” Multimed. Tools Appl. 2018 7811, vol. 78,
no. 11, pp. 15169–15211, 2018, doi: 10.1007/S11042-018-6894-4.

4. [4] J. Koltai, Z. Kmetty, y K. Bozsonyi, “From Durkheim to Machine Learning:
Finding the Relevant Sociological Content in Depression and Suicide-
Related Social Media Discourses,” Pathways Between Soc. Sci. Comput.
Soc. Sci., pp. 237–258, 2021, doi: 10.1007/978-3-030-54936-7_11.
[5] A. Rosales, P. Sotres, G. Velázquez, A. G. Ramírez, y E. Villatoro,
“Identificando signos de anorexia y depresión en usuarios de redes
sociales,” Res. Comput. Sci., vol. 147, no. 7, pp. 189–202, 2018,
http://ilitia.cua.uam.mx:8080/jspui/handle/123456789/884.
[6] M. L. Kerr y J. L. Borelli, “Linguistic Analysis in Personality Research
(including the Linguistic Inquiry and Word Count),” Wiley Encycl. Personal.
Individ. Differ., pp. 73–78, 2020, doi: 10.1002/9781118970843.CH82.
[7] L. Fernanda, G. Zuluaga, R. G. Hoyos, y J. Fernando Pineda, “Desarrollo
de un sistema de identificación de tendencia a la depresión, utilizando
técnicas de minería de texto en redes sociales,” Encuentro Int. Educ. en
Ing., 2019, https://acofipapers.org/index.php/eiei/article/view/255.
[8] J. C. Eichstaedt et al., “Facebook language predicts depression in medical
records,” Proc. Natl. Acad. Sci. U. S. A., vol. 115, no. 44, pp. 11203–11208,
2018, doi: 10.1073/PNAS.1802331115.
[9] D. Ramirez-Cifuentes, C. Largeron, J. Tissier, R. Baeza-Yates, y A. Freire,
“Enhanced Word Embedding Variations for the Detection of Substance
Abuse and Mental Health Issues on Social Media Writings,” IEEE Access,
vol. 9, pp. 130449–130471, 2021, doi: 10.1109/ACCESS.2021.3112102.
[10] S. Z. Cremades, J. M. G. Soriano, y B. Navarro-Colorado, “Diseño,
compilación y anotación de un corpus para la detección de mensajes
suicidas en redes sociales,” Proces. del Leng. Nat., no. 59, pp. 65–72,
2017, http://journal.sepln.org/sepln/ojs/ojs/index.php/pln/article/view/5494.
[11] A. G. Reece, A. J. Reagan, K. L. M. Lix, P. S. Dodds, C. M. Danforth, y E.
J. Langer, “Forecasting the onset and course of mental illness with Twitter
data,” Sci. Rep., vol. 7, no. 1, pp. 1–11, 2017, doi: 10.1038/s41598-017-
12961-9.
[12] D. Romero, “Inteligencia artificial contra ansiedad y depresión,” Vínculo
TIC Salud, 2019. https://cutt.ly/PTksPR2.