Análisis de Sentimientos en Twitter para la Identificación de Depresión en Tiempos de COVID-19 en Ecuador

Abstract

La pandemia de COVID-19 cambió drásticamente la forma en que vivían las personas, causando devastaciones importantes en temas como la economía y la salud, esto sumado a las restricciones como el encierro, distanciamiento social, además del aumento de casos de muerte, afectó de forma negativa la vida de las personas. La salud mental se ha convertido en una preocupación creciente debido a la terminación del empleo, la pérdida de ingresos, el estrés familiar y otras incertidumbres que han llevado a desencadenar consecuencias graves como la depresión, que es considerada por la OMS como el principal factor que contribuye a la discapacidad mundial. Las redes sociales como Twitter se han convertido actualmente en un medio universal de comunicación, expresión de opiniones y sentimientos, por lo que han jugado un papel fundamental durante los cierres y cuarentenas. Es por esto que el presente Trabajo de Titulación se centra en desarrollar modelos de aprendizaje automático que permitan identificar patrones lingüísticos obtenidos a partir de publicaciones de Twitter y determinar si un usuario está deprimido o no. Para esto se recolectaron tweets del año 2020 y 2021 en temporada de pandemia utilizando palabras clave a través de la herramienta de scraping Twint, y se etiquetaron como depresivos y aleatorios; además, se realizó una limpieza manual para garantizar la calidad del conjunto de datos recolectado. Se utilizaron los algoritmos de Máquinas de Soporte Vectorial, Random Forest y Naive Bayes aplicados en la representación tf-idf de los datos de texto y se obtuvo la característica de los textos conjuntamente con N-gramas para evaluar los modelos con mejor rendimiento por cada tipo de algoritmo. Se comparó el rendimiento de los mejores modelos aplicando las métricas de evaluación Precision, Recall, F1-score y Accuracy. Los resultados mostraron que el clasificador Random Forest presenta resultados aceptables, registrando una puntuación F1 de 95.4% y una exactitud (accuracy) de 95,6%. Finalmente, el modelo con mejor rendimiento se utilizó para predecir los sentimientos en los tweets sin etiquetar del año 2019, en donde se determinó que desde el año 2019 al año 2020 hubo un incremento porcentual en las publicaciones depresivas de un 31.17%.

Palabras clave: salud mental, cuarentena, twint, aprendizaje automático, tf-idf, N-gramas.