La dott.ssa Mónica Gracia, direttrice internazionale delle ammissioni della Fondazione Universitaria Iberoamericana (FUNIBER), e il dott. Eduardo Silva, direttore esecutivo della Fondazione in Guatemala, partecipano a uno studio internazionale, sviluppando un nuovo modello di apprendimento automatico in grado di rilevare l’ideazione suicida nei post sui social media con una precisione superiore a quella dei metodi tradizionali di apprendimento profondo.
Lo studio, intitolato «Suicide Ideation Detection Using Social Media Data and Ensemble Machine Learning Model », è stato recentemente pubblicato sulla rivista International Journal of Computational Intelligence Systems di Springer.
La ricerca affronta una questione critica di salute pubblica: la difficoltà di identificare tempestivamente le persone a rischio attraverso valutazioni cliniche convenzionali, che spesso richiedono molto tempo e l’intervento diretto di esperti. Di fronte al crescente utilizzo delle piattaforme digitali per esprimere disagio emotivo, questo studio propone una soluzione automatizzata che analizza il linguaggio utilizzato nei forum per identificare segnali di allarme.
Gli autori hanno progettato il Modello di Voto Morbido Ensemble (SVEM). Questo sistema non si basa su un unico algoritmo, ma integra tre potenti classificatori: Random Forest, Regressione Logistica e Gradiente Stochastico. Invece di dipendere dalla decisione di uno solo, il modello utilizza un meccanismo di «voto morbido ». Ciò significa che il sistema calcola la media delle probabilità previste da ciascuno dei tre algoritmi per arrivare a una conclusione finale più solida ed equilibrata, riducendo drasticamente il margine di errore che avrebbe un singolo algoritmo.
L’addestramento è stato effettuato con i dati della piattaforma Reddit, scelta per l’anonimato che offre, che incoraggia discussioni più sincere e approfondite sulla salute mentale in sottoforum come «Suicide Watch » e «Depression ». Il modello elabora il testo utilizzando un’ingegneria delle caratteristiche ibrida: analizza la frequenza delle parole chiave (TF-IDF) e utilizza il modello «bagaglio di parole » per rilevare modelli linguistici, frasi di disperazione e strutture semantiche associate al rischio imminente.
Risultati del modello di rilevamento
I risultati dello studio indicano che il modello SVEM ha raggiunto una precisione del 94 %, superando approcci di deep learning più complessi come le reti neurali convoluzionali (CNN) e le reti di memoria a breve e lungo termine (LSTM), che hanno ottenuto precisioni rispettivamente del 91 % e del 92 %. Oltre alla sua elevata efficacia, il modello proposto si distingue per la sua minore complessità computazionale, che ne facilita l’implementazione in sistemi di monitoraggio in tempo reale, senza richiedere supercomputer, facilitandone l’integrazione in applicazioni di sanità digitale.
Un aspetto chiave della ricerca è l’incorporazione di LIME (Local Interpretable Model-agnostic Explanations), una tecnica che conferisce «spiegabilità » al modello. Questo strumento è fondamentale per la pratica clinica, poiché apre la «scatola nera » dell’IA. LIME evidenzia esattamente quali parole o frammenti del messaggio (come «inutile », «distruggere tutto » o «carico ») hanno attivato l’allerta. Ciò consente a psichiatri e psicologi di convalidare la diagnosi della macchina, comprendendo il contesto e prendendo decisioni informate e umane.
Se vuoi saperne di più su questo studio, clicca qui.
Per leggere altre ricerche, consulta l’archivio di UNEATLANTICO.
La Fondazione Universitaria Iberoamericana (FUNIBER) offre borse di studio per seguire programmi accademici come il Master in Direzione Strategica in Ingegneria del Software. Tra i vantaggi di studiare nella Rete Universitaria Internazionale di FUNIBER spiccano il suo Programma di Borse di Studio di aiuto economico, una metodologia di studio a distanza flessibile che si adatta agli orari professionali e la possibilità di ottenere una doppia laurea universitaria.