Le Dr Mónica Gracia, directrice internationale des admissions de la Fondation universitaire ibéro-américaine (FUNIBER), et le Dr Eduardo Silva, directeur exécutif de la Fondation au Guatemala, participent à une étude internationale visant à développer un nouveau modèle d’apprentissage automatique capable de détecter les idées suicidaires dans les publications sur les réseaux sociaux avec une précision supérieure à celle des méthodes traditionnelles d’apprentissage profond.
L’étude, intitulée «Suicide Ideation Detection Using Social Media Data and Ensemble Machine Learning Model», a été récemment publiée dans la revue International Journal of Computational Intelligence Systems de Springer.
La recherche aborde un problème critique de santé publique: la difficulté d’identifier précocement les personnes à risque au moyen d’évaluations cliniques conventionnelles, qui nécessitent généralement beaucoup de temps et l’intervention directe d’experts. Face à l’utilisation croissante des plateformes numériques pour exprimer un malaise émotionnel, cette étude propose une solution automatisée qui analyse le langage utilisé dans les forums afin d’identifier les signaux d’alarme.
Les auteurs ont conçu le modèle SVEM (Soft Voting Ensemble Model). Ce système ne repose pas sur un seul algorithme, mais intègre trois classificateurs puissants: Random Forest, régression logistique et descente de gradient stochastique. Au lieu de dépendre de la décision d’un seul, le modèle utilise un mécanisme de «vote doux». Cela signifie que le système calcule la moyenne des probabilités prédites par chacun des trois algorithmes afin d’aboutir à une conclusion finale plus robuste et équilibrée, réduisant ainsi considérablement la marge d’erreur qu’aurait un algorithme individuel.
La formation a été réalisée à partir des données de la plateforme Reddit, choisie pour l’anonymat qu’elle offre, ce qui favorise des discussions plus honnêtes et plus approfondies sur la santé mentale dans des sous-forums tels que «Suicide Watch» et «Depression». Le modèle traite le texte à l’aide d’une ingénierie hybride des caractéristiques: il analyse la fréquence des mots-clés (TF-IDF) et utilise le modèle «sac de mots» pour détecter les schémas linguistiques, les phrases de désespoir et les structures sémantiques associées à un risque imminent.
Résultats du modèle de détection
Les résultats de l’étude indiquent que le modèle SVEM a atteint une précision de 94 %, surpassant des approches d’apprentissage profond plus complexes telles que les réseaux neuronaux convolutifs (CNN) et les réseaux à mémoire à court et long terme (LSTM), qui ont obtenu des précisions de 91 % et 92 % respectivement. Outre sa grande efficacité, le modèle proposé se distingue par sa moindre complexité informatique, ce qui facilite sa mise en œuvre dans des systèmes de surveillance en temps réel, sans nécessiter de superordinateurs, et facilite son intégration dans des applications de santé numérique.
Un aspect clé de la recherche est l’incorporation de LIME (Local Interpretable Model-agnostic Explanations), une technique qui confère une «explicabilité» au modèle. Cet outil est essentiel pour la pratique clinique, car il ouvre la «boîte noire» de l’IA. LIME met en évidence les mots ou les fragments du message (tels que «inutile», «tout détruire» ou «charge») qui ont déclenché l’alerte. Cela permet aux psychiatres et aux psychologues de valider le diagnostic de la machine, de comprendre le contexte et de prendre des décisions éclairées et humaines.
Si vous souhaitez en savoir plus sur cette étude, cliquez ici.
Pour lire d’autres recherches, consultez le répertoire de l’UNEATLANTICO.
La Fondation universitaire ibéro-américaine (FUNIBER) offre des bourses pour suivre des programmes universitaires tels que le Master en gestion stratégique en génie logiciel. Parmi les avantages d’étudier au sein du réseau universitaire international FUNIBER, on peut citer son programme de bourses d’aide financière, une méthodologie d’enseignement à distance flexible qui s’adapte aux horaires professionnels et la possibilité d’obtenir un double diplôme universitaire.