Mostrar el registro sencillo del ítem

Evaluación de algoritmos de aprendizaje de máquina para la detección de signos de depresión en jóvenes estudiantes a partir de interacciones textuales en redes sociales

dc.contributor.advisorVallejo Córdoba, Silvana Lorena
dc.contributor.advisorKorzeniewski, María Isabel
dc.contributor.authorRuiz Avendaño, José Ricardo
dc.date.accessioned2022-11-03T22:05:58Z
dc.date.available2022-11-03T22:05:58Z
dc.date.issued2021-11-16
dc.identifier.urihttps://dspace.tdea.edu.co/handle/tdea/2347
dc.descriptionilustraciones, anexosspa
dc.description.abstractLos avances en el campo de la informática han ayudado a simplificar tareas humanas en todas las áreas del conocimiento. Uno de los campos en los cuales se ha logrado mayor progreso es en el Procesamiento del Lenguaje Natural (PLN); este ofrece grandes beneficios y en complementariedad con la ubicuidad de las redes sociales abre una gran oportunidad para ampliar los datos disponibles para médicos e investigadores de la salud mental, potencialmente reduciendo los tiempos de los diagnósticos y permitiendo identificar signos o alertas de enfermedades mentales en interacciones sociales cotidianas. Este trabajo se ocupa particularmente de la enfermedad de la depresión y busca contribuir con un estudio analítico comparativo de diferentes métodos de aprendizaje de máquina para la detección de signos de depresión a partir de interacciones textuales en redes sociales, buscando identificar las particularidades y mejores implementaciones de algoritmos del aprendizaje profundo y del aprendizaje automático en función de sus resultados reflejados en métricas de eficacia. Finalmente se busca determinar comparativamente cuál es el método que se adapta mejor para su aplicación con la población de jóvenes estudiantes.spa
dc.description.tableofcontentsTabla de contenido RESUMEN 4 ABSTRACT 5 ÍNDICE DE FIGURAS 9 ÍNDICE DE TABLAS 10 ABREVIATURAS 11 1. INTRODUCCIÓN 12 2. MARCO DEL PROYECTO 14 2.1. Definición del problema 14 2.2. Justificación del problema 16 2.3. Formulación del problema 19 2.4. Marco contextual 19 2.5. Antecedentes 27 2.6. Hipótesis 33 3. OBJETIVOS 34 3.1. Objetivo general 34 3.2. Objetivos específicos 34 4. MARCO METODOLÓGICO 35 4.1. Definición de la metodología 35 4.2. Definición del alcance 43 5. MARCO TEÓRICO – CONCEPTUAL 44 5.1. Procesamiento de lenguaje Natural (PLN) 44 5.2. Red social 49 5.3. Machine Learning 50 5.4. Técnicas del aprendizaje supervisado que se utilizan para el procesamiento de lenguaje natural 54 6. DESARROLLO DEL PROYECTO 61 6.1. Identificación de los principales métodos de aprendizaje de máquina que hacen uso del lenguaje natural en interacciones sobre redes sociales para la detección de signos de la depresión. 61 6.1.1 Caracterización de la depresión 61 6.1.2 Identificación de los métodos de aprendizaje de máquina, sus fuentes y técnicas para la preparación de la data. 68 6.1.3 Exactitud de los algoritmos de ML para la identificación de la depresión a partir de fuentes textuales 73 6.2.Caracterizar los algoritmos identificados a partir de criterios de eficacia 80 6.3. Analizar los resultados de la caracterización con el fin de determinar comparativamente cuál método se adapta mejor para su uso con población jóvenes estudiantes. 100 7. DISCUSIÓN DE RESULTADOS Y CONCLUSIONES 106 8. IMPACTO ESPERADO 109 9. RECOMENDACIONES FUTURAS 110 10. REFERENCIAS 111 11. ANEXOS 125spa
dc.description.tableofcontentsÍNDICE DE FIGURAS 1. Redes sociales y aplicaciones de mensajería instantánea más usadas en Colombia......... 24 2. El proceso de mapeo sistemático. Tomado de Estudio de Mapeo Sistemático en ingeniería de software ....................................................................................................... 37 3. La máquina de vectores de soporte (SVM) ....................................................................... 56 4. Las redes sociales utilizadas como fuente para extraer datos ........................................... 69 5. Algoritmos más utilizados en la revisión de literatura...................................................... 71 6. Curva ROC........................................................................................................................ 76 7. Diagrama de flujo de entrenamiento del algoritmo ........................................................ 102 8. Diagrama de flujo sistema final funcional ...................................................................... 102 ÍNDICE DE TABLAS 1. Referencia de búsqueda de literatura entre artículos y trabajos finales de grado ................... 40 2. Métricas de eficacia de los algoritmos de ML para la identificación de la depresión a partir de fuentes textuales. ..................................................................................................................... 78 3. Redes Neuronales (RN) .......................................................................................................... 82 4. Máquinas de soporte vectorial (SVM) .................................................................................... 86 5. Bosque Aleatorios (RF) .......................................................................................................... 90 6. Naive Bayes (NB) ................................................................................................................... 95spa
dc.format.extent125 páginasspa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.publisherTecnológico de Antioquia, Institución Universitariaspa
dc.rightsTecnológico de Antioquia, Institución Universitaria, 2021spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc/4.0/spa
dc.titleEvaluación de algoritmos de aprendizaje de máquina para la detección de signos de depresión en jóvenes estudiantes a partir de interacciones textuales en redes sociales
dc.typeTrabajo de grado - Pregradospa
dcterms.referencesAghion, P., Jones, B. F., & Jones, C. I. (2017). Artificial intelligence and economic growth (No. w23928). National Bureau of Economic Research.spa
dcterms.referencesAguilar J., (2020). Algoritmo de detección temprana para la enfermedad de Alzheimer utilizando aprendizaje autónomo.spa
dcterms.referencesAlomari, K. M., ElSherif, H. M., & Shaalan, K. (2017). Arabic tweets sentimental analysis using machine learning. In International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems (pp. 602-610). Springer, Cham.spa
dcterms.referencesAlvino, C. (2021), Estadísticas de la situación digital de Colombia en el 2020-2021, Branch. https://branch.com.co/marketing-digital/estadisticas-de-la-situacion-digital-de-colombia-en-el-2020-2021/#:~:text=Con%20respecto%20al%202020%2C%20la,de%20nuevos%20dispositivos%20m%C3%B3viles%20conectados.spa
dcterms.referencesAlzahrani, S. M. (2018, February). Development of IoT mining machine for Twitter sentiment analysis: mining in the cloud and results on the mirror. In 2018 15th Learning and Technology Conference (L&T) (pp. 86-95). IEEE.spa
dcterms.referencesAmerican Psychiatric Association, (2014). Manual diagnóstico y estadístico de los trastornos mentales (DSM – 5), Médica Panamericana.spa
dcterms.referencesBeltrán, M. C. y Freyre, M. A (2011). El Inventario de Depresión de Beck: Su validez en población adolescente. Universidad Nacional Autónoma de México, , Nº 1, 5-13.spa
dcterms.referencesBencke, L. Cechinel, C. Munoz, R. (2020). Automated classification of social network messages into smart cities dimensions, Future Gener. Comput.spa
dcterms.referencesBounkeomany, P. (2020, November). Speech Major Depression Detection Based on Adaboost-ELM Algorithm. In 2020 IEEE International Conference on Information Technology, Big Data and Artificial Intelligence (ICIBA) (Vol. 1, pp. 858-862). IEEE.spa
dcterms.referencesCai, J., Wang, Z. J., Appel-Cresswell, S., & Mckeown, M. J. (2016, May). Feature selection to simplify BDI for efficient depression identification. In 2016 IEEE Canadian Conference on Electrical and Computer Engineering (CCECE) (pp. 1-4). IEEE.spa
dcterms.referencesCalle, G. (2014), Modelo basado en técnicas de procesamiento de lenguaje natural para extraer y anotar información de publicaciones científicas, Universidad Politécnica de Madrid.spa
dcterms.referencesCamacho, D., Luzón, M. V., & Cambria, E. (2020). New research methods & algorithms in social network analysis.spa
dcterms.referencesCan, E. F., Ezen-Can, A., & Can, F. (2018). Multilingual sentiment analysis: An RNN-based framework for limited data. arXiv preprint arXiv:1806.04511.spa
dcterms.referencesCandale, C. V, (2017). Las características de las redes sociales y las posibilidades de expresión abiertas por ellas. La comunicación de los jóvenes españoles en Facebook, Twitter e Instagram, Universidad de Bucarest.spa
dcterms.referencesCarrizo, D., & Moller, C. (2018). Estructuras metodológicas de revisiones sistemáticas de literatura en Ingeniería de Software: un estudio de mapeo sistemático. Ingeniare. Revista chilena de ingeniería, 26, 45-54.spa
dcterms.referencesChiramel, S., Logofătu, D., & Goldenthal, G. (2020, October). Detection of social media platform insults using Natural language processing and comparative study of machine learning algorithms. In 2020 24th International Conference on System Theory, Control and Computing (ICSTCC) (pp. 98-101). IEEE.spa
dcterms.referencesChoudhury, M., Gamon, M., Counts, S. and Horvitz, E., (2013). Predicting depression via social media. In Seventh international AAAI conference on weblogs and social media.spa
dcterms.referencesCoates, V., Farooque, M., Klavans, R., Lapid, K., Linstone, H. A., Pistorius, C., & Porter, A. L. (2001). On the future of technological forecasting. Technological forecasting and social change, 67(1), 1-17.spa
dcterms.referencesCoppersmith, G., Dredze, M., & Harman, C. (2014). Quantifying mental health signals in Twitter. In Proceedings of the workshop on computational linguistics and clinical psychology: From linguistic signal to clinical reality (pp. 51-60).spa
dcterms.referencesCoppersmith, G., Dredze, M., Harman, C., Hollingshead, K., & Mitchell, M. (2015). CLPsych 2015 shared task: Depression and PTSD on Twitter. In Proceedings of Evaluación de algoritmos de aprendizaje de máquina para la detección de signos de depresión en jóvenes estudiantes a partir de interacciones textuales en redes sociales. Tecnológico de Antioquia – Institución Universitaria . the 2nd Workshop on Computational Linguistics and Clinical Psychology: From Linguistic Signal to Clinical Reality (pp. 31-39).spa
dcterms.referencesCorcoran, C. , Mittal, V., Bearden, C., Gur, E., Hitczenko, K., Bilgrami, Z., & Wolff, P. (2020). Language as a biomarker for psychosis: A natural language processing approach. Schizophrenia research, 226, 158-166.spa
dcterms.referencesCortez, A., Vega, H., Pariona, J. (2009), Procesamiento de lenguaje natural, Revista de Ingeniería de Sistemas e Informática vol. 6, N.º 2.spa
dcterms.referencesCremades, S. Z., Soriano, J. M. G., & Navarro-Colorado, B. (2017). Diseño, compilación y anotación de un corpus para la detección de mensajes suicidas en redes sociales. Procesamiento del Lenguaje Natural, 59, 65-72.spa
dcterms.referencesFlores, J. J., Moran, J. J., Rodríguez, J.J, (2009). Las redes sociales, Universidad de San Martín de Porres, p.p 1- 9.spa
dcterms.referencesFontecha, N., & Quiroga, J., (2020). Implementación de algoritmos de inteligencia artificial enfocados en el análisis de los trastornos del estado de ánimo para prevenir futuros suicidios por medio de la red social Facebookspa
dcterms.referencesGarzón, V. Barreto, D. y Medina, I. (2020). Validación de un diccionario de LIWC para identificar emociones intergrupales. Revista Latinoamericana de Psicología, 52, 149-159. Epub March 01, 2021.https://doi.org/10.14349/rlp.2020.v52.15spa
dcterms.referencesGlen, S. (2019, 9 marzo). ROC Curve Explained in One Picture [Fotografia]. Data science central. https://www.datasciencecentral.com/profiles/blogs/roc-curve-explained-in-one-picturespa
dcterms.referencesGuilarte, D. L. C. (2019). Clasificación translingüe para la detección de depresión en usuarios de Twitter (Doctoral dissertation, Universidad Politécnica de Tulancingo).spa
dcterms.referencesHaimovichi, L. (2012), El impacto de las redes sociales en los jóvenes, Revista Conexión Andrómaco, N° 20, 8 – 9, https://www.andromaco.com/conexion/articulo/12-el-impacto-de-las-redes-sociales-en-los-jovenes.spa
dcterms.referencesHammou, B. A., Lahcen, A. A., & Mouline, S. (2020). Towards a real-time processing framework based on improved distributed recurrent neural network variants with fastText for social big data analytics. Information Processing & Management, 57(1), 102122.spa
dcterms.referencesHassan, A. U., Hussain, J., Hussain, M., Sadiq, M., & Lee, S. (2017). Sentiment analysis of social networking sites (SNS) data using machine learning approach for the measurement of depression. In 2017 International Conference on Information and Communication Technology Convergence (ICTC) (pp. 138-140). IEEE.spa
dcterms.referencesHe, J., Baxter, S. L., Xu, J., Xu, J., Zhou, X., & Zhang, K. (2019). The practical implementation of artificial intelligence technologies in medicine. Nature medicine, 25(1), 30–36spa
dcterms.referencesHernández, R., Fernández. C., & Baptista, P. (2016). Metodología de la investigación (6a. ed. --.). México D.F.: McGraw-Hill.spa
dcterms.referencesHussain, A., & Cambria, E. (2018). Semi-supervised learning for big social data analysis. Neurocomputing, 275, 1662-1673.spa
dcterms.referencesHu, Q., Li, A., Heng, F., Li, J., & Zhu, T. (2015, December). Predicting depression of social media user on different observation windows. In 2015 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT) (Vol. 1, pp. 361-364). IEEE.spa
dcterms.referencesHütt, H. H (2012). Las redes sociales: una nueva herramienta de difusión. Reflexiones, Redalyc, 91(2),121, https://www.redalyc.org/articulo.oa?id=72923962008.spa
dcterms.referencesIBM. (2018). Machine Learning for dummies. Estados Unidos: John Wiley & Sons.spa
dcterms.referencesICHI.PRO. (2020). Métricas de rendimiento para problemas de clasificación en el aprendizaje automático: Parte I. Obtenido de https://ichi.pro/es/metricas-de-rendimiento-para-problemas-de-clasificacion-en-el-aprendizaje-automatico-parte-i-157402246554673spa
dcterms.referencesInstituto Nacional de Salud de Colombia. INS & Colombia. Ministerio de Salud y Protección Social; (2014). Protocolo de vigilancia en salud pública: intento de suicidio. El Instituto, http://www.saludpereira.gov.co/medios/PRO_Intento_de_suicidio2017.pdf.spa
dcterms.referencesIslam, M. R., Kamal, A. R. M., Sultana, N., Islam, R., & Moni, M. A. (2018, February). Detecting depression using k-nearest neighbors (knn) classification technique. In 2018 International Conference on Computer, Communication, Chemical, Material and Electronic Engineering (IC4ME2) (pp. 1-4). IEEE.spa
dcterms.referencesKanan, T., Sadaqa, O., Aldajeh, A., Alshwabka, H., AlZu’bi, S., Elbes, M., ... & Alia, M. A. (2019, April). A review of natural language processing and machine learning tools used to analyze arabic social media. In 2019 IEEE Jordan International Joint Conference on Electrical Engineering and Information Technology (JEEIT) (pp. 622-628). IEEE.spa
dcterms.referencesKim, M., & Lim, J. S. (2019, October). Finding and evaluating suitable contents to recognize depression based on neuro-fuzzy algorithm. In 2019 International Conference on Information and Communication Technology Convergence (ICTC) (pp. 478-483). IEEE.spa
dcterms.referencesKitchenham, B. Brereton, P. Budgen, D. Turner,M. Bailey,J. Linkman,S. (2008). Revisiones sistemáticas de literatura en ingeniería de software: una revisión sistemática de literatura. j. infsof.2008.09.009.spa
dcterms.referencesLam, G., Dongyan, H., & Lin, W. (2019, May). Context-aware deep learning for multi-modal depression detection. In ICASSP 2019-2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 3946-3950). IEEE.spa
dcterms.referencesMa, L., & Wang, Y. (2019, July). Constructing a Semantic Graph with Depression Symptoms Extraction from Twitter. In 2019 IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB) (pp. 1-5). IEEE.spa
dcterms.referencesManagement Solutions, (2018). Machine Learning, una pieza clave en la transformación de los modelos de negocio, https://www.managementsolutions.com/sites/default/files/publicaciones/esp/machine-learning.pdfspa
dcterms.referencesMcCoy, T., Castro, V. M., Roberson, A. M., Snapper, L. A., & Perlis, R. H. (2016). Improving prediction of suicide and accidental death after discharge from general hospitals with natural language processing. JAMA psychiatry, 73(10), 1064-1071.spa
dcterms.referencesMicrosoft (2019), Referencia del módulo Extract N-Gram Features from Text (Extracción de características de n-gramas del texto), https://docs.microsoft.com/es-es/azure/machine-learning/algorithm-module-reference/extract-n-gram-features-from-textspa
dcterms.referencesMinisterio de Salud y Protección Social - Resolución 4886 de (2018) https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/PP/politica-nacional-salud-mental.pdfspa
dcterms.referencesMinisterio Nacional de la salud (2020), Minsalud ratifica su compromiso con la salud mental de los colombianos, Boletín de Prensa No 815 de 2020, https://www.minsalud.gov.co/Paginas/Minsalud-ratifica-su-compromiso-con-la-salud-mental-de-los-colombianos.aspxspa
dcterms.referencesMonroy, E. D. y Pérez, J. E. (2005). Máquinas de soporte vectorial (SVM), Universidad Tecnológica de Bolívar, pp. 1 – 110.spa
dcterms.referencesMorales, G., Mora, J. y Vargas, H., (2008). Estrategia de regresión basada en el método de los k vecinos más cercanos para la estimación de la distancia de falla en sistemas radiales, Universidad de Antioquia, N.° 45 pp. 100-108, http://www.scielo.org.co/pdf/rfiua/n45/n45a09.pdfspa
dcterms.referencesMorales, M. R., & Levitan, R. (2016). Speech vs. text: A comparative analysis of features for depression detection systems. In 2016 IEEE spoken language technology workshop (SLT) (pp. 136-143). IEEE.spa
dcterms.referencesMoreno, A. (2020). Inteligencia de Cliente / Aplicaciones del Procesamiento del Lenguaje Natural, Instituto de ingeniería de conocimiento, https://www.iic.uam.es/inteligencia/aplicaciones-procesamiento-lenguaje-natural/spa
dcterms.referencesNarynov, S. Mukhtarkhanuly, D. y Omarov, B., (2020). Artificial Intelligence in Detecting Suicidal Content on Russian-Language Social Networks. Advances in Computational Collective Intelligence, p 811-820spa
dcterms.referencesOracle. (2021). Definición de aprendizaje automático. https://www.oracle.com/co/data-science/machine-learning/what-is-machine-learning/#link7.spa
dcterms.referencesOrganización Mundial de la Salud, (2017). Depression and other common mental disorders: global health estimates,https://apps.who.int/iris/handle/10665/254610.spa
dcterms.referencesOrganización Mundial de la Salud. (2003). Clasificación multiaxial de los trastornos psiquiátricos en niños y adolescentes. Médica Panamericana.spa
dcterms.referencesOrué, A. (2018). Detección de la depresión a través de análisis textual utilizando aprendizaje automático. Universidad Ricardo Palma. 1 – 97.spa
dcterms.referencesOsorio, J. H. V., Jacob, M. K., Bauer, S., Moessner, M., Duque, D. E., Guzmán, Á. E. C., y Patiño, J. E. (2017). Uso de e-mental health para el seguimiento posterapia de pacientes con depresión en Colombia. Revista Virtual Universidad Católica del Norte, (52), 41-56.spa
dcterms.referencesPalomero, T. (2019). Textos de usuarios con depresión: atributos que los representan y posible detección. División de ciencias de la comunicación y diseño, Universidad Autónoma Metropolitana. 1-72spa
dcterms.referencesPaltoglou, G., & Thelwall, M. (2012). Twitter, MySpace, Digg: Unsupervised sentiment analysis in social media. ACM Transactions on Intelligent Systems and Technology (TIST), 3(4), 1-19.spa
dcterms.referencesPandey, B., Pandey, D. K., Mishra, B. P., & Rhmann, W. (2021). A Comprehensive Survey of Deep Learning in the field of Medical Imaging and Medical Natural Language Processing: Challenges and research directions. Journal of King Saud University-Computer and Information Sciences.spa
dcterms.referencesPatel, F., Thakore, R., Nandwani, I., & Bharti, S. K. (2019). Combating depression in students using an intelligent chatBot: a cognitive behavioral therapy. In 2019 IEEE 16th India Council International Conference (INDICON) (pp. 1-4). IEEE.spa
dcterms.referencesPauli, P. (2019). Análisis de sentimiento Comparación de algoritmos predictivos y métodos utilizando un lexicon español. Instituto Tecnológico de Buenos Aires (pp. 1-47)spa
dcterms.referencesPedersen, T. (2015). Screening Twitter users for depression and PTSD with lexical decision lists. In Proceedings of the 2nd workshop on computational linguistics and clinical psychology: from linguistic signal to clinical reality (pp. 46-53).spa
dcterms.referencesPeng, Z., Hu, Q., & Dang, J. (2019). Multi-kernel SVM based depression recognition using social media data. International Journal of Machine Learning and Cybernetics, 10(1), 43-57.spa
dcterms.referencesPerrault, R., Shoham Y., Brynjolfsson E., Clark Etchemendy J., Grosz, B., Lyons, T., Manyika T., Mishra, S., & Niebles J.C. (2019). “The AI Index 2019 Annual Report”, AI.spa
dcterms.referencesQuevedo, M. (2020). Análisis de las Herramientas de Procesamiento de Lenguaje Natural para estructurar textos médicos, Universidad de Navarra pp. 1 – 174.spa
dcterms.referencesRong, G., Mendez, A., Assi, E. B., Zhao, B., & Sawan, M. (2020). Artificial Intelligence in Healthcare: Review and Prediction Case Studies. Engineering, https://bit.ly/30mAgEOspa
dcterms.referencesRosales, A., Sostres, P., Velásquez, G., Ramírez, A., & Villatoro, E., (2018). Identificando signos de anorexia y depresión en usuarios de redes sociales. Universidad Autónoma Metropolitana, 147(7)spa
dcterms.referencesRúas, J., Fernández, M., Puentes, I. (2012). Aplicación de la herramienta LIWC al análisis del discurso político. Los mítines de los candidatos en las elecciones al parlamento de Galicia, Actas del 2º Congreso Nacional sobre Metodología de la Investigación en Comunicación, pp. 47 – 64.spa
dcterms.referencesRumshisky, A., Ghassemi, M., Naumann, T., Szolovits, P., Castro, V. M., McCoy, T. H., & Perlis, R. H. (2016). Predicting early psychiatric readmission with natural language processing of narrative discharge summaries. Translational psychiatry, 6(10), e921-e921.spa
dcterms.referencesSadasivuni, S. T., & Zhang, Y. (2020, September). A New Method for Discovering Daily Depression from Tweets to Monitor Peoples Depression Status. In 2020 IEEE International Conference on Humanized Computing and Communication with Artificial Intelligence (HCCAI) (pp. 47-50). IEEE.spa
dcterms.referencesSalas, M. P., Rodríguez, M. A., Valencia, R. (2014). Estudio de las categorías LIWC para el análisis de sentimientos en español, Universidad Católica San Antonio de Murcia, pp 33-36.spa
dcterms.referencesSalcedo, C. M., (2002). Modelo de regresión lógica, Universidad Nacional Mayor de San Marcos, pp 1 - 39, https://sisbib.unmsm.edu.pe/bibvirtualdata/Tesis/Basic/Salcedo_pc/enPDF/Cap2.PDFspa
dcterms.referencesSanz, J., y García-Vera, M. P. (2020). Las ideas equivocadas sobre la depresión infantil y adolescente y su tratamiento. Clínica y Salud, 31(1), 55-65.spa
dcterms.referencesSidorov, G. (2013), N-gramas sintácticos no-continuos, Centro de Investigation en Computation (CIC), pp. 69-78.spa
dcterms.referencesTablada, C. J. y Torres, G. A. (2009). Redes Neuronales Artificiales, Revista De Educación Matemática, 24(3).spa
dcterms.referencesTadesse, M. Lin, H.. Xu B and Yang, L. (2019) Detection of Depression-Related Posts in Reddit Social Media Forum, IEEE . 7, 44883-44893, https://ieeexplore.ieee.org/abstract/document/8681445spa
dcterms.referencesTlachac, M. L., & Rundensteiner, E. A. (2020, July). Depression Screening from Text Message Reply Latency. In 2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC) (pp. 5490-5493). IEEE.spa
dcterms.referencesTrappey, A., Trappey, C. V., & Hsieh, A. (2021). An intelligent patent recommender adopting machine learning approach for natural language processing: A case study for smart machinery technology mining. Technological Forecasting and Social Change, 164, 120511.spa
dcterms.referencesTripathy, A., Anand, A., & Rath, S. K. (2017). Document-level sentiment classification using hybrid machine learning approach. Knowledge and Information Systems, 53(3), 805-831.spa
dcterms.referencesUddin, A. H., Bapery, D., & Arif, A. S. M. (2019, July). Depression Analysis from Social Media Data in Bangla Language using Long Short Term Memory (LSTM) Recurrent Neural Network Technique. In 2019 International Conference on Computer, Communication, Chemical, Materials and Electronic Engineering (IC4ME2) (pp. 1-4). IEEE.spa
dcterms.referencesVairetti, C. Martínez-Cámara, E. Maldonado, S. Luzón, V. Herrera, F. (2020) Enhancing the classification of social media opinions by optimizing the structural information, Future Gener. Comput. Syst. 102, 838–846.spa
dcterms.referencesVera, V. D. G., & López, C. Q. (2019). Aceptación del M–learning: Un Análisis de Sentimientos basado en Minería de Texto. Cuaderno Activa, 11, 45-50.spa
dcterms.referencesVictor, D. B., Kawdher, J. y Labib, S., Latif, S. (2020). Machine Learning Techniques for Depression Analysis on Social Media- Case Study on Bengali Community, 4th International Conference on Electronics, Communication and Aerospace Technology (ICECA), https://ieeexplore.ieee.org/document/9297436/authors#authorsspa
dcterms.referencesWang, X., Zhang, C., Ji, Y., Sun, L., Wu, L. and Bao, Z., (2013). A depression detection model based on sentiment analysis in micro-blog social network. In Pacific-Asia Conference on Knowledge Discovery and Data Mining (pp. 201-213). Springer, Berlin, Heidelberg.spa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.programIngenieria de Softwarespa
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) de Softwarespa
dc.publisher.placeMedellínspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)spa
dc.subject.proposalProcesamiento del lenguaje naturalspa
dc.subject.proposalAprendizaje de máquinaspa
dc.subject.proposalRedes socialesspa
dc.subject.proposalDepresiónspa
dc.subject.proposalJóvenes y adolescentesspa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.redcolhttps://purl.org/redcol/resource_type/TPspa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa


Ficheros en el ítem

Thumbnail
Nombre:
Informe Ruiz Avendaño.pdf
Tamaño:
1.164Mb
Formato:
PDF
Descripción:
Trabajo de grado
Ver/
Thumbnail
Nombre:
Repositorio Ruiz Avendaño.pdf
Tamaño:
135.7Kb
Formato:
PDF
Descripción:
Licencia
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Tecnológico de Antioquia, Institución Universitaria, 2021
Excepto si se señala otra cosa, la licencia del ítem se describe como Tecnológico de Antioquia, Institución Universitaria, 2021