Predicting mental depressive disorders from social media

No Thumbnail Available

Files

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2024-03-05

Department

Major/Subject

Tietotekniikka

Mcode

SCI3027

Degree programme

Teknistieteellinen kandidaattiohjelma

Language

en

Pages

27

Series

Abstract

Analysis of digital traces obtained from social media platforms is an emerging method for early detection of depression. The risk of mental health disorders is conveyed through an individual's behavior, which is recorded across various channels of social media. This bachelor's thesis is a literature review that examines and compares predictive models designed to classify mental health disorders using social media traces. The focus is on examining the methods used to extract and quantify information from social media platforms and evaluating the predictive power of these methods. This bachelor's thesis investigates the relationship between quantified variables and the onset of mental health disorders. Statistically significant variables for detecting depression have been constructed from users' language, activity, and network characteristics. According to the research, digital traces have the potential to enhance mental health care through timely diagnosis and personalized treatment. However, ethical considerations arise because patients may not be aware of the extent of information available through digital traces and may be unwilling to share such sensitive information. The open nature of social media data increases the responsibility of healthcare professionals to ensure privacy. Future research could focus on developing predictive models for predicting mental illnesses, not just detecting them. Such models are valuable, especially when individuals are unaware of developing mental health issues. Additionally, determining to what extent users' social media traces truly reflect their personality requires further investigation. The study suggests that digital traces could be utilized in mental health assessments, but both benefits and ethical implications should be considered in the evolving healthcare landscape.

Sosiaalisen median alustoilta saatujen digitaalisten jälkien analysointi on masennuksen varhaiseen havaitsemiseen nouseva keino. Mielenterveyshäiriöiden riski välittyy henkilön käytöksestä, joka tallentuu sosiaalisen median eri kanaviin. Tämä kandidaatintyö on kirjallisuustutkimus, joka tarkastelee ja vertailee ennakoivia malleja, jotka on suunniteltu luokittelemaan mielenterveyshäiriöitä sosiaalisen median jälkien avulla. Painopisteenä on sosiaalisen median alustojen tiedon poimimiseen ja kvantifiointiin käytettyjen menetelmien tarkastelu sekä näiden menetelmien ennustusvoiman arviointi. Tämä kandidaatintyö tutkii kvantifioitujen muuttujien suhdetta mielenterveyssairauksien alkamiseen. Tilastollisesti merkittäviä muuttujia masennuksen havaitsemisessa on pystytty rakentamaan käyttäjien kielestä, aktiivisuudesta sekä verkostojen ominaisuuksista. Tutkimuksen perusteella digitaalisilla jäljillä on potentiaalia mielenterveyshoidon tehostamisessa oikea-aikaisen diagnoosin ja yksilöllisen hoidon avulla. Eettisiä näkökulmia kuitenkin nousee esiin, koska potilaat eivät ehkä ole tietoisia digitaalisista jäljistä saatavilla olevan tiedon laajuudesta ja saattavat olla haluttomia jakamaan tämänkaltaista arkaluonteista tietoa. Sosiaalisen median datan avoin luonne lisää terveydenhoitoalan ammattilaisten vastuuta yksityisyydensuojan takaamisesta. Tulevaisuuden tutkimus voisi suuntautua ennakoivien mallien kehittämiseen mielisairauksien ennustamisessa, eikä vain havaitsemisessa. Tämänlaiset mallit ovat arvokkaita erityisesti silloin, kun yksilöt eivät ole tietoisia kehittyvistä mielenterveyden vaivoistaan. Lisäksi sen selvittäminen, missä määrin käyttäjien sosiaalisen median jäljet todella heijastavat heidän persoonallisuuttaan, vaatii lisätutkimuksia. Digitaalisia jälkiä voidaan tutkimuksen perusteella hyödyntää mielenterveyden arvioinnissa, mutta sekä hyötyjä että eettisiä vaikutuksia tulee harkita kehittyvässä terveydenhuollon maisemassa.

Description

Supervisor

Savioja, Lauri

Thesis advisor

Luong, Nguyen

Keywords

digital traces, social media, predicting depression

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202403262886

Collections

[kand] Perustieteiden korkeakoulu / SCI