Weibo Depression Posts Detection by Natural Language Processing

Abstract

The goal of this paper is to detect depression based on the posts on social media. The dataset combined both tweet dataset and Weibo dataset scraped from the social media. To classify emotions, researchers have been using traditional models such as Bagging, Support Vector Machines, Decision tree, Multinomial Naïve Bayesian and K-nearest neighbor. In this paper, K- nearest neighbor is chosen based on the better precision in result. The main challenge is Chinese context translation and complexity of the context of the post. Finally, an UI page is designed to complete the mission to input a Weibo ID and output of the depression classification. Our approach achieves relatively higher quality results compared to the previous models in literature, while combining depression detection with the real-time social media posts. With this system, we demonstrate the practicability of our project by predicting the depression situation of Internet users through the model, to bring help to the depressed people or people with potential depression tendencies in society.

Análisis del Lenguaje Natural para la Identificación de Alteraciones Mentales en Redes Sociales: Una Revisión Sistemática de Estudios

“…En segundo lugar, entre los algoritmos de clasificación usados para la identificación de alteraciones psicológicas, en los documentos revisados, se identifica el SVM, RF, CNN, LIWC y el LSTM, siendo este último el que mayor precisión evidenció en el análisis de las alteraciones emocionales como la depresión y la ideación suicida (Zhang et al, 2017;ElDin et al, 2019;Ren et al, 2021;Chadha & Kaushik, 2022;Yang et al, 2022). Por su parte Gong et al (2018), indica que el uso de LIWC puede superar la dificultad de obtener datos a gran escala en el campo de la salud, esto es especialmente relevante en el entrenamiento de modelos de Deep Learning, ya que un diccionario creado por humanos puede proporcionar una alternativa efectiva y concisa al aprendizaje automático para convertir texto en representaciones vectoriales.…”

“…Cabe mencionar que, fenómenos como Estrés (4,5%), la Bipolaridad (3,6%), la Soledad (3,6%) los Desórdenes Alimenticios (3,6%) y el Cyberbullying (3,6%), son temáticas que han venido posicionándose como fenómenos de interés y pueden resultar mucho más interesantes en el desarrollo de estudios posteriores (Figura 6). Mehedy et al, 2022;Chatrinan et al, 2021;Wang et al, 2020;Al Asad et al, 2019;Kour y Gupta, 2022;Prince y Srinivas, 2022;Chanda et al,2022;Sarkar et al, 2022;Chen et al, 2022;Kumar y Nisha, 2022;Ferreira et al, 2022;Saini et al, 2022Yao et al, 2020Ambalavan et al, 2019;Chatrinan et al, 2021;Kour y Gupta, 2022;Prince y Srinivas, 2022;Noraset et al, 2022;Liu et al, 2022;Chen et al, 2022VADER Silveira et al, 2021Viviani et al, 2021Silveira et al, 2021Silveira et al, 2021Li et al, 2022: Ferreira et al, 2022 XGBoost Lekkas et al, 2021;Kim et al, 2020;Sarkar et al, 2022;Saini et al, 2022Chatterjee et al, 2022…”

“…TF-IDF Mendu et al, 2020; Guntuku et al, 2019;Al Asad et al, 2019;Li et al, 2022;Sun y Luo, 2022; Kour y Gupta, 2022;Sarkar et al, 2022; Kumar y Nisha, 2022; Ferreira et al, 2022 Yao et al, 2020Sun y Luo, 2022; Kour y Gupta, 2022;Chatterjee et al, 2022;Noraset et al, 2022 Guntuku et al.,2019Mendu et al, 2020; Word2Vec Kim et al, 2020; Nasrullah y Jalali, 2022Kim et al, 2020 Nasrullah y Jalali, 2022 Joshi y Patwardhan, 2020 Wongkoblap et al, 2021; Ramirez-Cifuentes et al, 2021;Narynov et al,2020; ElDin et al, 2019; Kour y Gupta, 2022;Tejaswini et al, 2022; Chadha y Kaushik, 2022; Kour y Gupta, 2022 Yao et al, 2020 Ramírez-Cifuentes et al, 2021; Glaser et al, 2020…”