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.advisor | Vallejo Córdoba, Silvana Lorena | |
dc.contributor.advisor | Korzeniewski, María Isabel | |
dc.contributor.author | Ruiz Avendaño, José Ricardo | |
dc.date.accessioned | 2022-11-03T22:05:58Z | |
dc.date.available | 2022-11-03T22:05:58Z | |
dc.date.issued | 2021-11-16 | |
dc.identifier.uri | https://dspace.tdea.edu.co/handle/tdea/2347 | |
dc.description | ilustraciones, anexos | spa |
dc.description.abstract | Los 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.tableofcontents | Tabla 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 125 | spa |
dc.description.tableofcontents | ÍNDICE 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) ................................................................................................................... 95 | spa |
dc.format.extent | 125 páginas | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.publisher | Tecnológico de Antioquia, Institución Universitaria | spa |
dc.rights | Tecnológico de Antioquia, Institución Universitaria, 2021 | spa |
dc.rights.uri | https://creativecommons.org/licenses/by-nc/4.0/ | spa |
dc.title | 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.type | Trabajo de grado - Pregrado | spa |
dcterms.references | Aghion, P., Jones, B. F., & Jones, C. I. (2017). Artificial intelligence and economic growth (No. w23928). National Bureau of Economic Research. | spa |
dcterms.references | Aguilar J., (2020). Algoritmo de detección temprana para la enfermedad de Alzheimer utilizando aprendizaje autónomo. | spa |
dcterms.references | Alomari, 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.references | Alvino, 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.references | Alzahrani, 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.references | American Psychiatric Association, (2014). Manual diagnóstico y estadístico de los trastornos mentales (DSM – 5), Médica Panamericana. | spa |
dcterms.references | Beltrán, 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.references | Bencke, L. Cechinel, C. Munoz, R. (2020). Automated classification of social network messages into smart cities dimensions, Future Gener. Comput. | spa |
dcterms.references | Bounkeomany, 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.references | Cai, 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.references | Calle, 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.references | Camacho, D., Luzón, M. V., & Cambria, E. (2020). New research methods & algorithms in social network analysis. | spa |
dcterms.references | Can, 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.references | Candale, 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.references | Carrizo, 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.references | Chiramel, 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.references | Choudhury, 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.references | Coates, 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.references | Coppersmith, 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.references | Coppersmith, 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.references | Corcoran, 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.references | Cortez, A., Vega, H., Pariona, J. (2009), Procesamiento de lenguaje natural, Revista de Ingeniería de Sistemas e Informática vol. 6, N.º 2. | spa |
dcterms.references | Cremades, 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.references | Flores, J. J., Moran, J. J., Rodríguez, J.J, (2009). Las redes sociales, Universidad de San Martín de Porres, p.p 1- 9. | spa |
dcterms.references | Fontecha, 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 Facebook | spa |
dcterms.references | Garzón, 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.v52.15 | spa |
dcterms.references | Glen, 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-picture | spa |
dcterms.references | Guilarte, D. L. C. (2019). Clasificación translingüe para la detección de depresión en usuarios de Twitter (Doctoral dissertation, Universidad Politécnica de Tulancingo). | spa |
dcterms.references | Haimovichi, 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.references | Hammou, 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.references | Hassan, 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.references | He, 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), 30–36 | spa |
dcterms.references | Hernández, R., Fernández. C., & Baptista, P. (2016). Metodología de la investigación (6a. ed. --.). México D.F.: McGraw-Hill. | spa |
dcterms.references | Hussain, A., & Cambria, E. (2018). Semi-supervised learning for big social data analysis. Neurocomputing, 275, 1662-1673. | spa |
dcterms.references | Hu, 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.references | Hütt, 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.references | IBM. (2018). Machine Learning for dummies. Estados Unidos: John Wiley & Sons. | spa |
dcterms.references | ICHI.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-157402246554673 | spa |
dcterms.references | Instituto 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.references | Islam, 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.references | Kanan, 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.references | Kim, 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.references | Kitchenham, 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.references | Lam, 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.references | Ma, 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.references | Management 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.pdf | spa |
dcterms.references | McCoy, 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.references | Microsoft (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-text | spa |
dcterms.references | Ministerio 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.pdf | spa |
dcterms.references | Ministerio 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.aspx | spa |
dcterms.references | Monroy, E. D. y Pérez, J. E. (2005). Máquinas de soporte vectorial (SVM), Universidad Tecnológica de Bolívar, pp. 1 – 110. | spa |
dcterms.references | Morales, 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.pdf | spa |
dcterms.references | Morales, 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.references | Moreno, 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.references | Narynov, S. Mukhtarkhanuly, D. y Omarov, B., (2020). Artificial Intelligence in Detecting Suicidal Content on Russian-Language Social Networks. Advances in Computational Collective Intelligence, p 811-820 | spa |
dcterms.references | Oracle. (2021). Definición de aprendizaje automático. https://www.oracle.com/co/data-science/machine-learning/what-is-machine-learning/#link7. | spa |
dcterms.references | Organización Mundial de la Salud, (2017). Depression and other common mental disorders: global health estimates,https://apps.who.int/iris/handle/10665/254610. | spa |
dcterms.references | Organización Mundial de la Salud. (2003). Clasificación multiaxial de los trastornos psiquiátricos en niños y adolescentes. Médica Panamericana. | spa |
dcterms.references | Orué, A. (2018). Detección de la depresión a través de análisis textual utilizando aprendizaje automático. Universidad Ricardo Palma. 1 – 97. | spa |
dcterms.references | Osorio, 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.references | Palomero, 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. 1-72 | spa |
dcterms.references | Paltoglou, 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.references | Pandey, 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.references | Patel, 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.references | Pauli, 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.references | Pedersen, 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.references | Peng, 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.references | Perrault, 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.references | Quevedo, M. (2020). Análisis de las Herramientas de Procesamiento de Lenguaje Natural para estructurar textos médicos, Universidad de Navarra pp. 1 – 174. | spa |
dcterms.references | Rong, G., Mendez, A., Assi, E. B., Zhao, B., & Sawan, M. (2020). Artificial Intelligence in Healthcare: Review and Prediction Case Studies. Engineering, https://bit.ly/30mAgEO | spa |
dcterms.references | Rosales, 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.references | Rúas, 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.references | Rumshisky, 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.references | Sadasivuni, 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.references | Salas, 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.references | Salcedo, 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.PDF | spa |
dcterms.references | Sanz, 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.references | Sidorov, G. (2013), N-gramas sintácticos no-continuos, Centro de Investigation en Computation (CIC), pp. 69-78. | spa |
dcterms.references | Tablada, C. J. y Torres, G. A. (2009). Redes Neuronales Artificiales, Revista De Educación Matemática, 24(3). | spa |
dcterms.references | Tadesse, 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/8681445 | spa |
dcterms.references | Tlachac, 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.references | Trappey, 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.references | Tripathy, 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.references | Uddin, 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.references | Vairetti, 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.references | Vera, 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.references | Victor, 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#authors | spa |
dcterms.references | Wang, 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.faculty | Facultad de Ingeniería | spa |
dc.publisher.program | Ingenieria de Software | spa |
dc.description.degreelevel | Pregrado | spa |
dc.description.degreename | Ingeniero(a) de Software | spa |
dc.publisher.place | Medellín | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.rights.creativecommons | Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0) | spa |
dc.subject.proposal | Procesamiento del lenguaje natural | spa |
dc.subject.proposal | Aprendizaje de máquina | spa |
dc.subject.proposal | Redes sociales | spa |
dc.subject.proposal | Depresión | spa |
dc.subject.proposal | Jóvenes y adolescentes | spa |
dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | spa |
dc.type.content | Text | spa |
dc.type.driver | info:eu-repo/semantics/bachelorThesis | spa |
dc.type.redcol | https://purl.org/redcol/resource_type/TP | spa |
dc.type.version | info:eu-repo/semantics/publishedVersion | spa |
oaire.accessrights | http://purl.org/coar/access_right/c_abf2 | spa |
oaire.version | http://purl.org/coar/version/c_ab4af688f83e57aa | spa |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
Ingeniería de Software [140]