Detección Automática de Depresión en Redes Sociales mediante Arquitecturas Transformer

Resumen

Este trabajo de investigación estudia el desempeño de una arquitectura de red neuronal Transformer para la detección de depresión mediante el análisis de textos no estructurados provenientes de redes sociales, específicamente de Twitter. La relevancia del estudio radica en que la depresión es una de las principales causas de discapacidad y suicidio a nivel global.

Diversos estudios han señalado que este trastorno puede influir en la forma en que las personas expresan sus pensamientos y emociones. En este sentido, las redes sociales pueden convertirse en un espacio donde los usuarios manifiestan su estado de ánimo, comparten experiencias personales o buscan apoyo, favorecidos en algunos casos por el nivel de anonimato que ofrecen estas plataformas.

Durante los últimos años, la detección automática de indicadores relacionados con la depresión ha recibido una atención creciente, principalmente debido al desarrollo de técnicas de Inteligencia Artificial y Procesamiento de Lenguaje Natural. Dentro de este contexto, los modelos Transformer han adquirido especial importancia por su capacidad para identificar relaciones y patrones presentes en textos, incluso cuando estos son sutiles o dependen del contexto. En este trabajo se analiza su aplicación sobre tweets escritos en español y se compara su desempeño bajo diferentes escenarios de clasificación. Los resultados obtenidos muestran un comportamiento competitivo respecto a metodologías previamente reportadas en el área.