|
Fecha de propuesta:
09/10/2024
(Aceptada)
Descripción:
Este trabajo de fin de máster propone la creación de un sistema basado en Machine Learning (ML) y Procesamiento de Lenguaje Natural(PLN) para detectar problemas de salud mental en textos digitales, proporcionando soporte inmediato y recomendaciones. Este enfoque tiene un gran potencial para aliviar la carga sobre los profesionales de la salud mental, ofreciendo una herramienta accesible y escalable para el bienestar emocional de las personas. Este enfoque puede adaptarse a diferentes áreas de la salud mental y puede tener impacto en la intervención temprana y la prevención de complicaciones más graves. El objetivo es desarrollar un modelo basado en Machine Learning y PLN que identifique signos de problemas de salud mental en textos escritos por individuos en redes sociales, foros o aplicaciones de mensajería, proporcionando retroalimentación inmediata y sugerencias para mejorar el bienestar emocional.
Objetivos funcionales:
1) Analizar y etiquetar datasets de textos que incluyan indicadores de diferentes trastornos mentales (como depresión, ansiedad, trastornos del sueño, entre otros). 2) Desarrollar un sistema de clasificación que pueda identificar patrones de lenguaje asociados con la angustia emocional, utilizando técnicas de NLP y ML. 3) Implementar un modelo de recomendación que sugiera posibles acciones a seguir, como recursos de autoayuda, contactar con un terapeuta, o avisar a un familiar o amigo cercano. 4) Evaluar el desempeño del sistema mediante métricas de ML y la retroalimentación de profesionales de la salud mental.
Entornos de desarrollo y explotación:
Uso de técnicas de embeddings como Word2Vec, GloVe, BERT o GPT para representar semánticamente las palabras y frases. Modelos de Machine Learning (modelos de clasificación supervisados como Random Forests, Support Vector Machines (SVM), o modelos neuronales como Redes Neuronales Recurrentes (RNN) y Transformers). Herramientas como NLTK, Scikit-learPython, TensorFlow, PyTorch, Flask o Django y Streamlit
|
