Diseño y desarrollo de aplicación para la detección de señales de alerta temprana de riesgo de suicidio mediante mensajes de texto de redes sociales y técnicas PLN

Abstract

La detección temprana de riesgos de suicidio a través del análisis de textos es favorable para la intervención y prevención en salud mental. Este proyecto explora la aplicación de la Ciencia de Datos y la Inteligencia Artificial para desarrollar un sistema capaz de identificar señales de riesgo suicida en mensajes digitales. A lo largo del trabajo, se han seguido varias etapas clave: 1. Estudio exhaustivo del Procesamiento de Lenguaje Natural (PLN) y algoritmos de aprendizaje automático, con un enfoque en la adaptación de estos métodos para el análisis de textos relacionados con el suicidio. 2. Recopilación y procesamiento de datos textuales a través de fuentes abiertas, utilizando conjuntos de datos relevantes para entrenar y validar los modelos. 3. Implementación y evaluación de múltiples modelos predictivos, incluyendo redes neuronales, para clasificar los textos en categorías de riesgo. 4. Desarrollo de una aplicación práctica usando Streamlit, que incorpora el modelo más eficaz para permitir un análisis en tiempo real de los textos. 5. Análisis de la precisión, fiabilidad y aplicabilidad del sistema en contextos reales. Los resultados obtenidos demuestran una alta precisión en la identificación de textos con contenido de riesgo suicida, validando la efectividad del enfoque de PLN y aprendizaje automático en el campo de la salud mental.

Early detection of suicide risk through text analysis is favorable for mental health intervention and prevention. This project explores the application of Data Science and Artificial Intelligence to develop a system capable of identifying signs of suicidal risk in digital messages. Throughout the work, several key stages have been followed: 1. Exhaustive study of Natural Language Processing (NLP) and machine learning algorithms, with a focus on adapting these methods for the analysis of suicide-related texts. 2. Collection and processing of textual data through open sources, using relevant datasets to train and validate the models. 3. Implementation and evaluation of multiple predictive models, including neural networks, to classify texts into risk categories. 4. Development of a practical application using Streamlit, which incorporates the most effective model to enable real-time analysis of texts. 5. Analysis of the accuracy, reliability and applicability of the system in real contexts. The results obtained demonstrate a high accuracy in the identification of texts with suicidal risk content, validating the effectiveness of the PLN and machine learning approach in the field of mental health.