Estimación de la depresión basada en texto utilizando el aprendizaje automático con etiquetas estándar: revisión...

Área de la Ciencia:

• Procesamiento del lenguaje natural.
• Aprendizaje automático Aprendizaje automático.
• Salud Mental La salud mental es la salud mental.

Sus antecedentes:

• La depresión afecta significativamente la vida diaria y puede conducir a comportamientos suicidas.
• La estimación de la depresión basada en texto ofrece un enfoque factible para la detección temprana de la salud mental.
• Las revisiones existentes a menudo usaban etiquetas débiles de depresión, lo que limita la confiabilidad del modelo y la aplicación práctica.

Objetivo del estudio:

• Evaluar el rendimiento predictivo de los modelos de depresión basados en texto utilizando etiquetas estándar.
• Identificar los factores que influyen en la heterogeneidad del rendimiento, incluidos los recursos de texto, la representación, la arquitectura del modelo, la fuente de anotación y la calidad de los informes.

Principales métodos:

• Búsqueda sistemática de la literatura siguiendo las directrices de PRISMA 2020 a través de cuatro bases de datos principales (PubMed, Scopus, IEEE Xplore, Web of Science) desde 2014-2025.
• Los estudios incluidos desarrollaron modelos de aprendizaje automático utilizando texto generado por los participantes y etiquetas de depresión validadas (diagnóstico clínico o escalas).
• Se realizó un metanálisis de efectos aleatorios para calcular los tamaños de efecto agrupados (r) y se realizaron análisis de subgrupos / meta-regresión.

Principales resultados:

• Se analizaron 15 modelos de 11 estudios, revelando un gran tamaño de efecto general (r = 0,605).
• Las representaciones de texto basadas en incrustaciones (r=0.741) y las arquitecturas de aprendizaje profundo (r=0.731) superaron significativamente las características tradicionales y los modelos superficiales, respectivamente.
• Los modelos que utilizaron diagnósticos clínicos (r=0,688) mostraron un rendimiento más alto que los que utilizaron escalas de autoinforme (r=0,500); los informes transparentes se correlacionaron positivamente con el rendimiento (β=0,085).

Conclusiones:

• Los modelos de estimación de la depresión basados en texto con etiquetas estándar demuestran sólidas capacidades predictivas.
• Las características de incorporación, las arquitecturas de aprendizaje profundo y los diagnósticos clínicos son factores clave para un mayor rendimiento del modelo.
• Hace hincapié en el papel crítico de las etiquetas estándar, la representación de características y los informes transparentes para mejorar la confiabilidad y la utilidad práctica de los modelos de detección de depresión.