October 16, 2026
PLN Aplicado à Saúde Mental: Identificação de Sinais de Depressão em Redes Sociais
Pln Aplicado à Saúde Mental: Identificação de Sinais de Depressão em Redes Sociais
Pedro Seiti Mazine Kiyuna; Thiago Gentil Ramires
DOI: 10.22167/2675-6528-202603345
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
O crescente uso de redes sociais ampliou a disponibilidade de dados textuais que refletem aspectos emocionais dos indivíduos, abrindo espaço para a aplicação de técnicas de Processamento de Linguagem Natural (PLN) na identificação de sinais relacionados à saúde mental. Neste contexto, o estudo teve como objetivo desenvolver e avaliar um modelo capaz de identificar indícios de depressão em postagens de redes sociais. Para isso, utilizou-se um conjunto de dados público com textos rotulados quanto à presença de sinais depressivos. Aplicou-se uma abordagem baseada em pré-processamento textual simplificado, vetorização por meio da técnica TF-IDF e classificação utilizando Regressão Logística. O modelo foi avaliado por métricas como acurácia, precisão, recall, F1-score e AUC-ROC, além da análise da matriz de confusão. Os resultados indicaram elevado desempenho na tarefa de classificação, com boa capacidade de generalização para dados não vistos. Observou-se, contudo, que o desempenho do modelo esteve relacionado às características específicas do conjunto de dados utilizado, podendo apresentar limitações em contextos com maior complexidade linguística. Concluiu-se que a abordagem proposta constituiu uma solução eficaz como etapa inicial para a identificação automatizada de sinais de depressão em textos, demonstrando potencial para aplicações em cenários reais e evolução com técnicas mais avançadas.
Palavras-chave: Aprendizado de máquina; Análise de texto; Classificação supervisionada; Saúde mental; Vetorização textual.
1. Introdução
O uso das redes sociais tem experimentado um crescimento significativo nos últimos anos, impulsionado por transformações tecnológicas e sociais que facilitam a interação e ampliam o acesso à internet. Conforme o relatório “Digital 2025: Global Overview Report” (DataReportal, 2025), o número de usuários ativos nessas plataformas ultrapassou cinco bilhões em 2025, correspondendo a 63,9% da população mundial. Este cenário digital, onde indivíduos frequentemente expressam sentimentos e emoções, torna as redes sociais ricas fontes de informação para a identificação de padrões comportamentais associados a distúrbios psicológicos (Jain et al., 2022).
Nesse contexto, a depressão emerge como um dos transtornos mentais mais prevalentes e impactantes na atualidade. Sua crescente incidência afeta a qualidade de vida e, em casos extremos, pode levar ao suicídio. A Organização Mundial da Saúde (2023) estima que aproximadamente 280 milhões de pessoas sejam afetadas pela depressão globalmente, e, apesar da existência de tratamentos eficazes, mais de 75% dos indivíduos em países de baixa e média renda não recebem o cuidado adequado. Diante dessa realidade, estudos recentes têm explorado a aplicação de técnicas de Processamento de Linguagem Natural (PLN) e aprendizado de máquina para detectar precocemente indícios de depressão em postagens online, viabilizando intervenções mais eficazes (Wolohan et al., 2018).
O Processamento de Linguagem Natural (PLN) é uma subárea da Inteligência Artificial que permite a comunicação entre computadores e a linguagem humana. Dentro desse campo, a análise de sentimentos, também conhecida como mineração de opiniões, busca identificar e extrair informações subjetivas de textos, sendo aplicável à detecção de padrões emocionais complexos, como os sinais de depressão (Liu, 2012). Essa abordagem é particularmente relevante para este estudo, visto que indivíduos com sintomas depressivos tendem a manifestar padrões linguísticos distintos, os quais podem ser identificados por meio de técnicas de PLN (Wolohan et al., 2018).
Apesar dos avanços significativos na área, a construção de modelos eficazes para a detecção de sinais de depressão em textos ainda enfrenta desafios consideráveis. Entre eles, destacam-se a variabilidade linguística inerente à comunicação humana, a presença de ruídos nos dados coletados de redes sociais e o desbalanceamento entre as classes de dados. Além disso, a seleção e aplicação adequadas de técnicas de pré-processamento e representação textual desempenham um papel crucial no desempenho e na capacidade de generalização dos modelos de classificação.
Diante da relevância da depressão como problema de saúde pública e do potencial das técnicas de PLN para sua detecção precoce, este trabalho justifica-se pela necessidade de desenvolver e avaliar abordagens computacionais que possam auxiliar na identificação de sinais de depressão em ambientes digitais. Dessa forma, este estudo teve como objetivo desenvolver e avaliar um modelo de PLN para a identificação de sinais de depressão em postagens de redes sociais, utilizando técnicas de vetorização textual e algoritmos de classificação supervisionada, buscando adicionalmente analisar o desempenho do modelo proposto e discutir suas limitações e potencialidades, contribuindo para a aplicação de técnicas de PLN no contexto da saúde mental.
2. Material e Métodos
O presente estudo caracterizou-se como uma pesquisa de natureza aplicada, com abordagem quantitativa, visando ao desenvolvimento e à avaliação de um modelo computacional. O objetivo central foi desenvolver e avaliar um modelo de Processamento de Linguagem Natural (PLN) para a identificação de sinais de depressão em postagens de redes sociais. Para tanto, empregaram-se técnicas de vetorização textual e algoritmos de classificação supervisionada.
A unidade de análise consistiu em postagens de redes sociais, obtidas de um conjunto de dados público. Utilizou-se o dataset “Sentimental Analysis for Tweets”, disponibilizado na plataforma Kaggle (Garg, 2020). Este corpus é composto por textos na língua inglesa, rotulados binariamente quanto à presença de indícios de depressão.
Os dados foram classificados em duas categorias: a classe 0, correspondente a textos sem indícios de depressão, e a classe 1, referente a textos com possíveis sinais depressivos. A escolha desse conjunto de dados permitiu a aplicação de técnicas de PLN em um contexto real de análise de sentimentos e detecção de padrões linguísticos associados à saúde mental.
Antes da etapa de modelagem, realizou-se o pré-processamento dos dados, etapa fundamental em tarefas de PLN para transformar dados textuais brutos em um formato adequado para análise por algoritmos de aprendizado de máquina (Jurafsky e Martin, 2009). Adotou-se uma abordagem simplificada, com o objetivo de estabelecer um modelo baseline.
Inicialmente, foi realizada uma padronização dos textos, convertendo todos os caracteres para letras minúsculas (lowercasing) por meio da função `str.lower`. Em seguida, foram removidos elementos que não agregam valor semântico relevante à análise, como URLs, menções a usuários e caracteres especiais. Os registros que resultaram em textos vazios após essa etapa foram removidos do conjunto de dados.
Após o pré-processamento, o conjunto de dados final utilizado no estudo totalizou 10.285 registros. Observou-se uma distribuição desbalanceada entre as classes, com aproximadamente 77,5% das observações para a classe 0 e 22,5% para a classe 1, o que foi considerado nas etapas subsequentes de modelagem e avaliação.
Considerando a abordagem simplificada adotada nesta etapa inicial, optou-se por não aplicar técnicas mais avançadas de pré-processamento, como remoção de stopwords, stemming ou lematização. A remoção de stopwords, por exemplo, poderia resultar na perda de informações relevantes para a análise de sentimento, especialmente em estruturas linguísticas onde palavras funcionais influenciam o contexto semântico das sentenças.
No contexto da técnica Term Frequency-Inverse Document Frequency (TF-IDF), que atribui pesos às palavras com base em sua frequência nos documentos e na sua relevância no conjunto de dados, termos muito frequentes tendem a receber pesos reduzidos, o que minimiza naturalmente o impacto de palavras menos informativas. Essa abordagem resulta em uma representação vetorial de alta dimensionalidade e natureza esparsa.
Após o pré-processamento, o conjunto de dados foi dividido em subconjuntos de treino, validação e teste. Essa divisão foi realizada de forma estratificada, assegurando a manutenção da proporção das classes em todos os subconjuntos. O conjunto de treino foi utilizado para o treinamento do modelo, o de validação para avaliar o desempenho durante o desenvolvimento, e o de teste para uma estimativa realista em dados não vistos.
Para a construção do modelo de classificação, adotou-se inicialmente uma abordagem baseline, com o objetivo de estabelecer uma referência de desempenho. A representação dos textos foi realizada por meio da técnica TF-IDF, que transforma documentos textuais em vetores numéricos, nos quais cada dimensão representa um termo do vocabulário (Manning et al., 2008).
A vetorização dos textos foi implementada utilizando a classe `TfidfVectorizer` da biblioteca `scikit-learn`. Foram considerados parâmetros padrão da biblioteca, com ajustes voltados à limitação do vocabulário e à exclusão de palavras extremamente raras ou excessivamente frequentes, visando à melhoria da generalização do modelo.
Após a etapa de vetorização, os dados foram utilizados como entrada para o treinamento de um modelo de classificação baseado em Regressão Logística (Logistic Regression). Esse algoritmo foi escolhido por sua simplicidade, eficiência computacional e boa capacidade de generalização em problemas de classificação binária (Jurafsky e Martin, 2009).
Considerando o desbalanceamento observado entre as classes do conjunto de dados, utilizou-se o parâmetro `class_weight=”balanced”` na configuração do modelo. Essa abordagem ajustou automaticamente os pesos das classes de forma inversamente proporcional à sua frequência, atribuindo maior importância à classe minoritária durante o treinamento, buscando reduzir o viés do modelo.
A avaliação do desempenho do modelo foi realizada por meio de diferentes métricas amplamente utilizadas em problemas de classificação binária, com o objetivo de obter uma análise abrangente do comportamento do classificador. Inicialmente, considerou-se a acurácia, que representa a proporção de previsões corretas em relação ao total de observações.
Devido ao desbalanceamento entre as classes, foram também utilizadas as métricas de precisão, recall e F1-score, que são particularmente úteis em contextos de desequilíbrio entre classes (Sokolova e Lapalme, 2009). Adicionalmente, empregou-se a curva ROC (Receiver Operating Characteristic) e a métrica AUC (Area Under the Curve) para avaliar o desempenho do modelo em diferentes limiares de decisão (Fawcett, 2006).
Por fim, foi construída a matriz de confusão, ferramenta que permite visualizar detalhadamente os acertos e erros do modelo. Essa análise possibilitou a identificação de verdadeiros positivos, verdadeiros negativos, falsos positivos e falsos negativos, contribuindo para uma compreensão mais aprofundada do tipo de erro cometido pelo modelo.
3. Resultados e Discussão
A análise exploratória dos dados, realizada como etapa inicial para subsidiar a interpretação dos resultados, revelou características distintivas no corpus utilizado. Observou-se que os textos classificados como depressivos apresentavam, em média, um comprimento maior em comparação com os textos não depressivos. Essa diferença sugere uma maior elaboração textual e a possível inclusão de descrições mais detalhadas de estados emocionais por parte dos usuários que manifestam indícios de depressão em suas postagens. Tal achado é relevante para a compreensão dos padrões linguísticos associados à saúde mental em ambientes digitais.
Adicionalmente, a investigação sobre o grau de sobreposição entre os vocabulários das classes indicou que, embora houvesse uma interseção de termos, uma parcela significativa das palavras era exclusiva de cada categoria. Esse baixo nível de sobreposição lexical é um indício da existência de padrões linguísticos distintos entre os grupos. Essa diferenciação é um fator que pode favorecer a separação das classes no espaço de características, contribuindo para a eficácia do processo de classificação do modelo de Processamento de Linguagem Natural (PLN), conforme discutido por Jurafsky e Martin (2009) sobre a importância da representação textual.
A análise da frequência de palavras por classe, obtida por meio da contagem de ocorrências, reforçou a interpretação de padrões linguísticos distintos. Nas postagens da classe não depressiva, identificou-se a predominância de termos mais genéricos e associados a interações cotidianas, como “good”, “day”, “love” e “thanks”. Esses termos refletem uma comunicação mais comum e positiva, típica de interações sociais rotineiras em plataformas digitais, conforme a literatura sobre análise de sentimentos em redes sociais (Liu, 2012).
Em contraste, a classe depressiva apresentou uma incidência significativamente maior de palavras diretamente relacionadas à saúde mental, incluindo “depression”, “anxiety” e “mental”. Além disso, foram observados termos que indicam estados emocionais e experiências pessoais, sugerindo uma linguagem mais introspectiva e focada em sentimentos negativos. Essa distinção lexical é crucial, pois evidencia que o corpus possui características que permitem uma clara diferenciação entre os grupos, o que é fundamental para a tarefa de identificação de sinais de depressão.
A partir dessas evidências linguísticas, procedeu-se à análise dos resultados obtidos pelo modelo de classificação. A combinação da técnica de vetorização TF-IDF com o algoritmo de Regressão Logística demonstrou um alto desempenho na tarefa de classificação binária. Essa abordagem, embora considerada baseline, mostrou-se eficaz na captura de padrões relevantes nos dados, corroborando a literatura que aponta a adequação de modelos lineares para classificação de texto quando há características bem definidas (Manning et al., 2008).
A acurácia geral do modelo no conjunto de validação foi de 0,9961, indicando uma alta taxa de previsões corretas. Contudo, em cenários com desbalanceamento de classes, como o presente estudo, a acurácia isolada pode não ser suficiente para uma avaliação completa. Por essa razão, foram analisadas métricas adicionais, como precisão, recall e F1-score, que fornecem uma visão mais detalhada do desempenho do modelo em relação a cada classe, conforme recomendado por Sokolova e Lapalme (2009).
Para a classe não depressiva (classe 0), o modelo obteve valores de precisão de 0,9962 e recall de 0,9987, resultando em um F1-score de 0,9975. Esses valores, próximos de 1, demonstram a alta capacidade do modelo em identificar corretamente os exemplos dessa classe, minimizando tanto os falsos positivos quanto os falsos negativos para essa categoria. Isso significa que poucas postagens não depressivas foram erroneamente classificadas como depressivas.
Em relação à classe depressiva (classe 1), que representa o foco principal deste estudo, o modelo também apresentou um desempenho robusto. Foram registrados valores de precisão de 0,9956 e recall de 0,9870, com um F1-score de 0,9913. Esses resultados indicam que a maioria dos casos depressivos foi corretamente identificada, o que é fundamental para a detecção precoce. A precisão elevada sugere que, quando o modelo prevê depressão, a probabilidade de estar correto é muito alta, enquanto o recall demonstra a capacidade de capturar a maioria dos casos positivos reais.
A análise da matriz de confusão proporcionou uma compreensão mais aprofundada do comportamento do modelo, revelando que a maior parte das amostras foi classificada corretamente. No conjunto de validação, 796 casos da classe 0 e 228 casos da classe 1 foram corretamente identificados. Contudo, observou-se a presença de 3 falsos negativos para a classe 1, ou seja, postagens com indícios de depressão que não foram identificadas pelo modelo. Para a classe 0, houve apenas 1 falso positivo, indicando uma postagem não depressiva erroneamente classificada como depressiva.
A aplicação do modelo ao conjunto de teste, para uma avaliação mais robusta e realista em dados não vistos, manteve um comportamento semelhante ao observado na validação. Na matriz de confusão do conjunto de teste, 798 casos da classe 0 e 228 casos da classe 1 foram corretamente classificados. A ocorrência de 3 falsos negativos para a classe 1 e 0 falsos positivos para a classe 0 no conjunto de teste reforça a consistência do modelo e sua boa capacidade de generalização, indicando que o desempenho não se deteriora significativamente em novos dados.
As curvas ROC (Receiver Operating Characteristic) e a métrica AUC (Area Under the Curve) foram utilizadas para avaliar o desempenho do modelo em diferentes limiares de decisão, conforme proposto por Fawcett (2006). Os valores de AUC obtidos foram de 0,9995 para o conjunto de validação e 0,9970 para o conjunto de teste. Esses valores, muito próximos de 1, evidenciam a excelente capacidade discriminativa do modelo e a consistência do desempenho entre os conjuntos, sugerindo que o modelo não apresentou sinais relevantes de overfitting.
Os resultados expressivos alcançados estão em consonância com a literatura que reconhece a eficácia de abordagens baseadas em TF-IDF e modelos lineares para tarefas de classificação de texto (Manning et al., 2008). A simplicidade e eficiência do modelo proposto, mesmo com uma abordagem relativamente direta, foram capazes de capturar padrões linguísticos relevantes, demonstrando seu potencial como ferramenta inicial para a identificação de sinais de depressão em postagens de redes sociais.
Apesar do desempenho elevado, é fundamental considerar as limitações do estudo. O alto desempenho pode estar associado às características específicas do conjunto de dados utilizado, que apresenta diferenças lexicais marcantes entre as classes, facilitando a tarefa de classificação. Isso implica que o modelo pode não apresentar o mesmo nível de desempenho em contextos com maior complexidade linguística ou em bases de dados onde a distinção entre as classes é menos evidente, o que é uma limitação importante para a generalização.
Outra limitação relevante é que o conjunto de dados é composto por textos na língua inglesa. Aspectos linguísticos, culturais e contextuais influenciam diretamente a forma como emoções e estados psicológicos são expressos, e esses padrões podem variar significativamente entre diferentes idiomas. Portanto, os padrões aprendidos pelo modelo podem não refletir integralmente as particularidades da língua portuguesa, especialmente no contexto brasileiro, o que limita a aplicabilidade direta dos resultados a outros idiomas sem adaptações.
Adicionalmente, a abordagem adotada baseia-se em representações textuais que não capturam aspectos mais complexos da linguagem, como o contexto semântico profundo, a ironia ou as ambiguidades. Esses elementos podem influenciar significativamente a interpretação do conteúdo, e a ausência de sua consideração pode limitar a capacidade do modelo em cenários mais desafiadores. Modelos mais avançados, que incorporam redes neurais ou outras técnicas de aprendizado profundo, poderiam potencialmente mitigar essa limitação ao capturar nuances semânticas mais sutis.
Em síntese, o modelo de Processamento de Linguagem Natural desenvolvido e avaliado neste estudo demonstrou alta eficácia na identificação de sinais de depressão em postagens de redes sociais, utilizando uma abordagem baseada em pré-processamento simplificado, vetorização TF-IDF e classificação por Regressão Logística. Os resultados, evidenciados por métricas de desempenho robustas e pela análise da matriz de confusão e curvas ROC, indicam que a solução proposta é viável como uma etapa inicial para a detecção automatizada, apesar das limitações relacionadas às características do conjunto de dados e à complexidade linguística.
4. Conclusão
O presente estudo buscou desenvolver e avaliar um modelo de Processamento de Linguagem Natural (PLN) para a identificação de sinais de depressão em postagens de redes sociais. Verificou-se que a abordagem proposta, que combinou pré-processamento textual simplificado, vetorização TF-IDF e classificação por Regressão Logística, demonstrou alta eficácia na tarefa de classificação binária. A análise exploratória dos dados revelou padrões linguísticos distintivos entre textos com e sem indícios de depressão, como maior comprimento e vocabulário específico para a classe depressiva, o que favoreceu a separação das classes. O modelo alcançou um desempenho robusto, com acurácia de 0,9961 e F1-score de 0,9913 para a classe depressiva no conjunto de validação, e manteve consistência no conjunto de teste, com AUC-ROC de 0,9970, indicando boa capacidade de generalização para dados não vistos. Esses resultados evidenciam a viabilidade de técnicas tradicionais de PLN como uma solução eficaz e inicial para a detecção automatizada de sinais de depressão em ambientes digitais, contribuindo para a aplicação de tais métodos no contexto da saúde mental.
Contudo, é fundamental reconhecer as limitações inerentes ao estudo. O elevado desempenho observado esteve associado às características específicas do conjunto de dados utilizado, que apresentava diferenças lexicais marcantes, o que pode restringir a generalização do modelo para contextos com maior complexidade linguística ou menor distinção entre classes. Adicionalmente, o corpus ser composto por textos na língua inglesa limita a aplicabilidade direta dos resultados a outros idiomas, como o português, sem adaptações, devido às variações linguísticas e culturais. A abordagem também não capturou aspectos semânticos profundos, ironia ou ambiguidades. Para estudos futuros, sugere-se a exploração de modelos baseados em arquiteturas mais complexas, como redes neurais, capazes de capturar relações contextuais mais sutis, bem como a utilização de diferentes conjuntos de dados e a adaptação para a língua portuguesa, visando ampliar a robustez e a aplicabilidade da solução em diversos cenários reais.
Referências Bibliográficas
DataReportal. 2025. Digital 2025: Global Overview Report. Disponível em: <https://datareportal.com/reports/digital-2025-global-overview-report>. Acesso em: 19 abr. 2026.
Fawcett, T. 2006. An introduction to ROC analysis. Pattern Recognition Letters 27(8): 861–874.
Garg, M. 2020. Sentimental analysis for tweets. Kaggle. Disponível em: <https://www.kaggle.com/datasets/gargmanas/sentimental-analysis-for-tweets>. Acesso em: 15 abr. 2026.
Jain, P.; Sharma, A.; Singh, K. 2022. Depression and suicide analysis using machine learning and NLP. Journal of Physics: Conference Series 2161(1): 012034.
Jurafsky, D.; Martin, J. H. 2009. Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition. 2. ed. Prentice Hall, Upper Saddle River, NJ, USA.
Liu, B. 2012. Sentiment Analysis and Opinion Mining. Morgan & Claypool Publishers, San Rafael, CA, USA. 167 p.
Manning, C. D.; Raghavan, P.; Schütze, H. 2008. Introduction to Information Retrieval. Cambridge University Press, Cambridge, UK.
Organização Mundial da Saúde [OMS]. 2023. Depression. Geneva: WHO. Disponível em: <https://www.who.int/news-room/fact-sheets/detail/depression>. Acesso em: 19 abr. 2026.
Sokolova, M.; Lapalme, G. 2009. A systematic analysis of performance measures for classification tasks. Information Processing and Management 45(4): 427–437.
Wolohan, J. T.; Hiraga, M.; Mukherjee, A.; Sayyed, Z. A.; Millard, M. 2018. Detecting linguistic traces of depression in topic-restricted text: attending to self-stigmatized depression with NLP. In: Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing. Association for Computational Linguistics, Brussels, Belgium.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy