Un nuevo estudio, publicado en Frontiers in Artificial Intelligence (DOI: 10.3389/frai.2025.1627078), investiga la detección temprana de la depresión utilizando modelos de caja negra de aprendizaje automático (ML) y procesamiento del lenguaje natural (PLN) en datos de redes sociales. Investigadores de la Islamia University of Bahawalpur, la Universidad del Punjab, la Manchester Metropolitan University y la Staffordshire University emplearon modelos como las máquinas de vectores de soporte (SVM), los bosques aleatorios (RF) y las redes neuronales, combinados con técnicas de PLN como TF-IDF, Latent Dirichlet Allocation (LDA) y GloVe embeddings.
El estudio integra el método de IA explicable LIME (Local Interpretable Model-Agnostic Explanations) para mejorar la transparencia e interpretabilidad de los modelos. Las SVM lograron la mayor precisión en la detección de la depresión, mientras que LIME proporcionó información sobre los marcadores lingüísticos que se alinean con la investigación psicológica. Esto mejora la credibilidad clínica de los modelos.
A diferencia de trabajos anteriores centrados en la precisión de la clasificación, el estudio enfatiza la interpretabilidad y probó 28 combinaciones de clasificadores de características. Introdujo pasos de preprocesamiento específicos, como la expansión de jerga y un diccionario de palabras vacías específico para la depresión. Los resultados ofrecen a los médicos información sobre patrones lingüísticos y apoyan la detección temprana de trastornos de salud mental.
