Voir et lire : Détection des symptômes de dépression chez les étudiants du supérieur à l’aide de données multimodales provenant des réseaux sociaux

Les troubles mentaux tels que la dépression et l’anxiété connaissent une augmentation inquiétante dans la population mondiale. Notamment, le trouble dépressif majeur est devenu un problème courant parmi les étudiants du supérieur, aggravé, voire peut-être même provoqué, par les pressions académiques auxquelles ils sont confrontés. Bien que les causes de cette situation alarmante demeurent encore mal comprises (malgré des recherches intensives), les étudiants déjà affectés doivent recevoir un traitement. Pour cela, il est d’abord nécessaire de dépister les symptômes. La méthode traditionnelle repose sur des consultations cliniques ou la réponse à des questionnaires. Toutefois, de nos jours, les données partagées sur les réseaux sociaux constituent une source omniprésente pouvant être exploitée pour détecter les symptômes de dépression, même lorsque l’étudiant ne peut pas se permettre ou ne cherche pas de soins professionnels. Des travaux antérieurs ont déjà utilisé les données des réseaux sociaux pour détecter la dépression dans la population générale, en se concentrant généralement sur des images publiées, des textes ou des métadonnées. Dans ce travail, nous nous intéressons à la détection de la sévérité des symptômes de dépression chez les étudiants du supérieur, en comparant des modèles d’apprentissage profond à des modèles basés sur l’extraction de caractéristiques, à partir à la fois des images et de leurs légendes publiées sur Instagram. Les résultats expérimentaux montrent qu’il est possible de détecter les étudiants présentant un score BDI supérieur ou égal à 20 avec un rappel de 0,92 et une précision de 0,69 dans le meilleur cas, atteint par un modèle hybride. Nos résultats mettent en évidence le potentiel d’un dépistage à grande échelle de la dépression, pouvant ainsi permettre d’identifier les étudiants vulnérables.