Résumé

La dépression est une affection courante qui concerne environ 350 millions de personnes dans le monde selon les estimations de l’Organisation Mondiale de la Santé. La détection de ce trouble est donc un enjeu majeur de santé publique. Plusieurs recherches en psychologie ont démontré l’existence d’un lien fort entre l’état dépressif d’un individu et son expression langagière. Dans cet article, nous proposons de repérer automatiquement ces indices linguistiques dans le but de détecter les comportements dépressifs à partir de messages postés sur les réseaux sociaux. Notre approche est supervisée et se base sur un ensemble de traits d’apprentissage allant de traits standards tels que les sacs de mots ou les traits de surface, à des traits plus sémantiques. L’approche a été évaluée sur des données issues du réseau social Reddit et appliquée sur deux tâches : (a) étant donné les posts d’un utilisateur, détecter si l’auteur est dépressif ou non; (b) étant donné un fil de posts d’un même utilisateur présentés chronologiquement, détecter au plus tôt les signes de la dépression. Nos résultats montrent l’intérêt de notre approche pour ces deux tâches.

Abstract

According to the World Health Organization, 350 million people worldwide suffer from depression. Detecting this trouble constitutes thus a challenge for personal and public health. Research in psychology has shown a strong correlation between the psychological state of an individual and its language use. In this paper, we propose to leverage such linguistic features to automatically detect depressive users on social media posts. Our approach is supervised and relies on a set of features going from standard bag of words and surface features to more linguistically informed features. This approach has been evaluated on Reddit social media posts and applied on two tasks: (a) Given user’s posts, detect whether the author is depressive or not, (b) Given a user’s history of writings, early detect signs of depression. Our results show that our approach is reliable on both tasks.