@MASTERSTHESIS{ 2025:972220755, title = {TREAD: um framework para o reconhecimento de características textuais de postagens depressivas e ansiosas em redes sociais online}, year = {2025}, url = "https://tede.ufam.edu.br/handle/tede/11001", abstract = "Os transtornos mentais, como ansiedade e depressão, são classificados pela OMS como problemas sociais que afetam o modo de pensar, agir e viver da população, afetando diversas camadas da vida, afetando o bem-estar físico e mental. Visto que uma, em cada oito pessoas, sofre com transtornos mentais, estima-se que em 2024 os transtornos atingiram, aproximadamente, 970 milhões de pessoas. A OMS estima que 4% de pessoas no mundo sofrem de algum transtorno ansioso e 5% dos adultos de depressão. Diante desse contexto, a área de Computação Afetiva tem provido diferentes estudos que buscam classificar esses transtornos por meio da análise massiva de dados de redes sociais e aplicação de modelos de aprendizagem de máquina. Contudo, faz-se necessário investigar se o conteúdo disponível on-line, como os das postagens textuais, são capazes de refletir características e marcadores que denotem indicativos de saúde mental, especialmente se há uma diferenciação significativa entre transtornos de saúde mental, como o de ansiedade e depressão. Com isso, este trabalho apresenta o TREAD: um framework para reconhecimento textual de características emocionais e de contexto relacionadas à ansiedade e à depressão em postagens de redes sociais on-line. Para isso, o framework envolve as etapas de (i) coleta de dados de postagens em comunidades de redes sociais on-line, (ii) processamento de dados, (iii) extração de características sobre o contexto, emoções e de sentimentos com EMPATH e VADER, (iv) avaliação de padrões sequenciais por meio da aplicação do algoritmo de regras de associação FP Growth, extração e, por fim, avaliou-se por meio de agrupamento a diferenciação entre os padrões. Considerando os dados resultantes, a aplicação do algoritmo de associação, a confiança dos resultados foram acima de 80% e os valores de Lift foram superiores a 1, o que indica que a força da associação entre os itens é relevante. E, considerando os algoritmos de agrupamento, o Agglomerative Clustering obteve 81% de precisão e F1-Score. Todavia, os resultados ressaltam a importância das redes sociais neste contexto e fornece reflexão sobre os marcadores linguísticos e emocionais que diferenciam as comunidades de ansiedade e depressão, servindo como suporte a futuras e possíveis intervenções digitais.", publisher = {Universidade Federal do Amazonas}, scholl = {Programa de Pós-graduação em Informática}, note = {Instituto de Computação} }