English
Análisis de Sentimientos en Twitter para Detectar Indicadores de Depresión24
Barra lateral del artículo
Publicado:
ene 15, 2025
Palabras clave:
Análisis de sentimientos, Depresión, Twitter, Proceso Jerárquico Analítico, Máquinas de Soporte Vectorial
Contenido principal del artículo
Resumen
En este trabajo se abordó el estudio de la depresión desde una perspectiva del análisis de texto. Derivado del confinamiento por COVID-19 las redes sociales han jugado un papel importante en la detección de enfermedades mentales. Dados los datos alarmantes de cifras de personas que sufren el trastorno depresivo mayor, en este trabajo se ha realizado un análisis de sentimientos utilizando Twitter y el Proceso Jerárquico Analítico mediante el cual se obtuvieron pesos que los especialistas en salud mental les otorgan a las ocho emociones básicas para aquellas personas que presenten este trastorno, siendo la tristeza, el enojo, la aversión y el miedo, las emociones con mayor peso, mientras que la confianza, alegría, sorpresa y anticipación obtuvieron el menor peso. Utilizando estos pesos, se propuso un Índice de Riesgo a la Depresión para cuantificar el grado del trastorno. Se aplicaron diferentes técnicas de clasificación estadística a este índice, siendo las máquinas de soporte vectorial aquellas que mejores precisiones arrojaron y que identificaron los perfiles con mayor trastorno depresivo.
Descargas
Los datos de descargas todavía no están disponibles.
Detalles del artículo
Cómo citar
Rodríguez Esparza, L. J., Ambriz Delgadillo, L. E., Cervantes Guevara, C. E., & Quintanar Salinas, L. (2025). Análisis de Sentimientos en Twitter para Detectar Indicadores de Depresión. Revista Del Centro De Investigación De La Universidad La Salle. Recuperado a partir de https://revistasinvestigacion.lasalle.mx/index.php/recein/article/view/3910
Número
Sección
Artículos
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Esta revista se encuentra bajo la licencia de Creative Commons, por tanto, los autores, al postular su artículo, lo adhieren a dicha licencia.El autor puede disponer de su artículo para su archivo en repositorios institucionales o en páginas web personales, con la referencia y agradecimientos a la fuente donde se ha publicado.
Citas
Acosta-Hernández, M. E., Mancilla-Percino, T., Correa-Basurto, J., Saavedra-Vélez, M., Ramos-Morales, F. R., Cruz Sánchez, J. S., & Duran Niconoff, S. (2011). Depresión en la infancia y adolescencia: enfermedad de nuestro tiempo. Archivos de neurociencias, 16(1), 20-25. https://www.medigraphic.com/pdfs/arcneu/ane-2011/ane111e.pdf
Aggarwal, C. C. and Zhai, C., Mining text data. Springer Science & Business Media, 2012. http://charuaggarwal.net/ text-content.pdf
American Psychiatric Association’s. (2013). Diagnostic and Statistical Manual of Mental Disorders (5th ed.; DSM-5). https://www.hakjisa.co.kr/common_file/bbs_DSM-5_Update_October2018_NewMaster.pdf
Bischl, B. & Richter, J. (2022). Machine Learning in R - Next Generation. https://cran.r-project.org/web/packages/mlr3/mlr3.pdf
Bloch, S., Orthous, P., & Santibañez-H, G. (1987). Effector patterns of basic emotions: A psychophysiological method for training actors. Journal of Social and Biological Structures, 10(1), 1-19. https://doi.org/10.1016/0140-1750(87)90031-5
Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and Regression Trees (Belmont, California, USA: Wadsworth).
Cullen, W., Gulati, G., & Kelly, B. D. (2020). Mental health in the COVID-19 pandemic. QJM: An International Journal of Medicine, 113(5), 311-312. https://doi.org/10.1093/qjmed/hcaa110
Chen, J., Yan, Y., & Leach, J. (2022). Are Emotion-Expressing Messages More Shared on Social Media? A Meta-Analytic Review. Review of Communication Research, 10. Retrieved from
https://www.rcommunicationr.org/index.php/rcr/article/view/123
De Choudhury, M., Gamon, M., Counts, S., & Horvitz, E. (2013, June). Predicting depression via social media. In Seventh international AAAI conference on weblogs and social media. https://doi.org/10.1609/icwsm.v7i1.14432
Degenhard, J. (2021). Forecast of the number of Twitter users in Mexico from 2017 to 2025. Statista. https://www. statista.com/forecasts/1144192/twitter-users-in-mexico
Eichstaedt, J. C., Smith, R. J., Merchant, R. M., Ungar, L. H., Crutchley, P., Preotiuc-Pietro, D. & Schwartz, H. A. (2018). Facebook language predicts depression in medical records. Proceedings of the National Academy of Sciences, 115(44), 11203-11208. https://doi.org/10.1073/pnas.1802331115
Ekman, P. (1999). Basic emotions. Handbook of cognition and emotion, 98(45-60), 16.
Gareth, J., Daniela, W., Trevor, H., & Robert, T. (2013). An introduction to statistical learning: with applications in R (2.a ed.). Springer. https://hastie.su.domains/ISLR2/ISLRv2_website.pdf
Godoy Viera, A. (2017). Técnicas de aprendizaje de máquina utilizadas para la minería de texto. Investigación bibliotecológica: archivonomía, bibliotecología e información, 31(71), 103-126. http://dx.doi.org/10.22201/iibi.0187358xp. 2017.71.57812
González-Ruiz, S. L., Gómez-Gallego, I., Pastrana-Brincones, J. L., & Hernández-Mendo, A. (2015). Algoritmos de clasificación y redes neuronales en la observación automatizada de registros. Cuadernos de psicología del deporte, 15(1), 31-40. https://dx.doi.org/10.4321/S1578-84232015000100003
Haro, S., Zúñiga, L., Meneses, A., Vera, L., & Escudero, A. (2018). Methods of Classification in Mining of Meteorological Data. http://ceaa.espoch.edu.ec:8080/revista.perfiles/faces/Articulos/Perfiles20Art13.pdf
Hermant Kumar (2020). Applications, Issues and Challenges in Text Mining https://www.amity.edu/gwalior/journal/ papers/etjri_v1_issue_2_03.pdf
Huerta-Velasco, D. A., & Calvo, H. (2021). Using lexical resources for detecting offensiveness in Mexican Spanish tweets. In Proceedings of the Iberian Languages Evaluation Forum (IberLEF 2021), CEUR Workshop Proceedings. CEUR-WS. org. http://ceur-ws.org/Vol-2943/meoffendes_paper2.pdf
Instituto Nacional de Estadística y Geografía. (2021). Presenta Inegi resultados de la primera Encuesta Nacional De Bienestar Autorreportado (Enbiare) 2021. Comunicado De Prensa Núm.. 772/21, 15–16. https://www.inegi.org.mx/programas/ enbiare/2021/
Jack, R., Garrod, O., & Schyns, P. (2014). Dynamic facial expressions of emotion transmit an evolving hierarchy of signals over time. Curr. Biol. 24, 187–192. doi: 10.1016/j.cub.2013.11.064
Jamil, Z. (2017). Monitoring tweets for depression to detect at-risk users (Doctoral dissertation, Université d’Ottawa/University of Ottawa). http://dx.doi.org/10.20381/ruor-20310
Lang M, Binder M, Richter J, Schratz P, Pfisterer F, Coors S, Au Q, Casalicchio G, Kotthoff L, Bischl B (2019). “mlr3: A modern object-oriented machine learning framework in R.” Journal of Open-Source Software. doi:10.21105/joss.01903, https://joss.theoj.org/papers/10.21105/joss.01903.
León Martinez, J. (2019). Identificación de depresión mediante el análisis de sentimientos (Bachelor’s thesis). http://hdl.handle.net/10662/9538
Limaymanta Alvarez, C. H. (2016). Métodos de remuestreo en los modelos de estructuras de covarianza, aplicado a la calidad de servicios en la FCA de la UNMSM. https://hdl.handle.net/20.500.12672/4870
López Jauregui, A., & Elosua Oliden, P. (2004). Estimaciones bootstrap para el coeficiente de determinación: un estudio de simulación. Revista Electrónica de Metodología Aplicada, 9(2), 1-14.
Marrocchi, F., Rapetti, C., Maguitman, A. G., & Estévez, E. C. (2019). Minería de emociones y análisis visual aplicado a la red social Twitter. In XXV Congreso Argentino de Ciencias de la Computación (CACIC)(Universidad Nacional de Rio Cuarto, Córdoba, 14 al 18 de octubre de 2019). http://sedici.unlp.edu.ar/handle/10915/91386
Martínez, C. (2020). En México, 39% de los cibernautas utilizan Twitter. El Universal; El Universal. https://www.eluniversal.com.mx/cartera/en-mexico-39-de-los-cibernautas-utilizan-twitter
Martins, R., Almeida, J. J., Henriques, P. R., & Novais, P. (2021, February). Identifying Depression Clues using Emotions and AI. In ICAART (2) (pp. 1137-1143). DOI: 10.5220/0010332811371143 https://www.scitepress.org/Papers/2021/ 103328/103328.pdf
Masse Fátima. (2022). Salud Mental Para Los Más Jóvenes. https://imco.org.mx/salud-mental-para-los-mas-jovenes/
Mori, J. L. C. (2013). Características de la depresión en la adolescencia. Revista Digital EOS Perú, 1(1), 59-66. http://www.revistaeos.net.pe/index.php/revistadigitaleos/article/view/66
Nicolini, H. (2020). Depresión y ansiedad en los tiempos de la pandemia de COVID-19. Cirugía y cirujanos, 88(5), 542-547. https://doi.org/10.24875/ciru.m20000067
Orabi, A. H., Buddhitha, P., Orabi, M. H., & Inkpen, D. (2018, June). Deep learning for depression detection of twitter users. In Proceedings of the Fifth Workshop on Computational Linguistics and Clinical Psychology: From Keyboard to Clinic (pp. 88-97). https://aclanthology.org/W18-0609
Organización Mundial de la Salud. (2021) Depresión. https://www.who.int/es/news-room/fact-sheets/detail/ depression.
Plutchik, R. (1980). A general psychoevolutionary theory of emotion. In Theories of emotion (pp. 3-33). Academic press. https://doi.org/10.1016/B978-0-12-558701-3.50007-7
Plutchik, R. (1988). The nature of emotions: Clinical implications. In Emotions and psychopathology (pp. 1-20). Springer, Boston, MA. DOI:10.1007/978-1-4757-1987-1_1
Plutchik, R. (2001). The nature of emotions: Human emotions have deep evolutionary roots, a fact that may explain their complexity and provide tools for clinical practice. American scientist, 89(4), 344-350. http://www.jstor.org/stable/ 27857503
Parra, F. (2019). Estadística y Machine Learning con R. https://bookdown.org/content/2274/metodos-de-clasificacion.html
Reguant-Alvarez, M., & Torrado-Fonseca, M. (2016), “El método Delphi”, Revista d’Innovació i Recerca en Educació, 9(1), Barcelona, Universitat de Barcelona, pp. 87-102. https://doi.org/10.1344/reire2016.9.1916
Rodríguez-Esparza, L. J., Barraza-Barraza, D., Salazar Ibarra, J., Vargas Pasaye, R.G. (2022). Emotion Analysis to Identify Risk of Committing Suicide Using Statistical Learning. In: Antoniano-Villalobos, I., Fuentes-Garca, R., Naranjo, L., Nieto Barajas, L.E., Ruiz-Velasco Acosta, S. (eds) Interdisciplinary Statistics in Mexico. Springer Proceedings in Mathematics & Statistics, vol 397. Springer, Cham. https://doi.org/10.1007/978-3-031-12778-6_5
Rodríguez-Esparza, L. J., Barraza-Barraza, D., Salazar-Ibarra, J., & Vargas-Pasaye, R. G. (2021). Metodología de Análisis de Emociones para Identificar Riesgo de Cometer Suicidio Generado por el COVID-19. Revista Lasallista de Investigación, 18(2), 105-124. https://doi.org/10.22507/rli.v18n2a9
Rodríguez-Esparza, L. J. , Barraza-Barraza, D., Salazar-Ibarra, J.,& Vargas-Pasaye, R. (2019). Index of suicide risk in Mexico using Twitter. Journal of Social Researches, 5(15), 1-13.
https://www.ecorfan.org/republicofnicaragua/researchjournal/investigacionessociales/journal/vol5num15/Journal_of_Social_Researches_V5_N15_1.pdf
Saaty, T. L. (1980). The analytic hierarchy process. mcgraw hill international. New York.
Saaty, T. (2001). The Analytic Network Process. In: Decision Making with the Analytic Network Process. Pittsburgh University Press;1- 26.
Saaty, T. L. (2008). Decision making with the analytic hierarchy process. International journal of services sciences, 1(1), 83-98.
Saloni D., Ritchie, H., & Roser, M. (2021). Mental Health. Our World in Data. https://ourworldindata.org/mental-health
Santomauro, D. F., Herrera, A. M. M., Shadid, J., Zheng, P., Ashbaugh, C., Pigott, D. M., ... & Ferrari, A. J. (2021). Global prevalence and burden of depressive and anxiety disorders in 204 countries and territories in 2020 due to the COVID-19 pandemic. The Lancet, 398(10312), 1700-1712. https://doi.org/10.1016/S0140-6736(21)021437
Skinner, B. F. (1981). Conducta verbal. México: Trillas.
Smirnova, D., Cumming, P., Sloeva, E., Kuvshinova, N., Romanov, D., & Nosachev, G. (2018). Language patterns discriminate mild depression from normal sadness and euthymic state. Frontiers in psychiatry, 9, 105. https://doi.org/10.3389/ fpsyt.2018.00105
Sukanya, M., & Biruntha, S. (2012, August). Techniques on text mining. In 2012 IEEE International Conference on Advanced Communication Control and Computing Technologies (ICACCCT) (pp. 269-271). IEEE. doi:10.1109/ICACCCT. 2012.6320784
Tsugawa, S., Kikuchi, Y., Kishino, F., Nakajima, K., Itoh, Y., & Ohsaki, H. (2015, April). Recognizing depression from twitter activity. In Proceedings of the 33rd annual ACM conference on human factors in computing systems (pp. 3187-3196). https://doi.org/10.1145/2702123.2702280
WHO. (2021). Suicide. Who.int; World Health Organization: WHO. https://www.who.int/news-room/fact-sheets/ detail/suicide
WordStream. (2022). 40 Twitter Statistics Marketers Need to Know in 2022.
https://www.wordstream.com/blog/ws/2020/ 04/14/twitter-statistics#:~:text=There%20are%20186%20million%20daily,million%20tweets%20sent%20per%20day
Yomaira Pabon, A. (2021). Intentos de suicidio y trastornos mentales. Revista Habanera de Ciencias Médicas, 20(4), 1–9. http://www.revhabanera.sld.cu/index.php/rhab/article/view/3967[citado
Aggarwal, C. C. and Zhai, C., Mining text data. Springer Science & Business Media, 2012. http://charuaggarwal.net/ text-content.pdf
American Psychiatric Association’s. (2013). Diagnostic and Statistical Manual of Mental Disorders (5th ed.; DSM-5). https://www.hakjisa.co.kr/common_file/bbs_DSM-5_Update_October2018_NewMaster.pdf
Bischl, B. & Richter, J. (2022). Machine Learning in R - Next Generation. https://cran.r-project.org/web/packages/mlr3/mlr3.pdf
Bloch, S., Orthous, P., & Santibañez-H, G. (1987). Effector patterns of basic emotions: A psychophysiological method for training actors. Journal of Social and Biological Structures, 10(1), 1-19. https://doi.org/10.1016/0140-1750(87)90031-5
Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and Regression Trees (Belmont, California, USA: Wadsworth).
Cullen, W., Gulati, G., & Kelly, B. D. (2020). Mental health in the COVID-19 pandemic. QJM: An International Journal of Medicine, 113(5), 311-312. https://doi.org/10.1093/qjmed/hcaa110
Chen, J., Yan, Y., & Leach, J. (2022). Are Emotion-Expressing Messages More Shared on Social Media? A Meta-Analytic Review. Review of Communication Research, 10. Retrieved from
https://www.rcommunicationr.org/index.php/rcr/article/view/123
De Choudhury, M., Gamon, M., Counts, S., & Horvitz, E. (2013, June). Predicting depression via social media. In Seventh international AAAI conference on weblogs and social media. https://doi.org/10.1609/icwsm.v7i1.14432
Degenhard, J. (2021). Forecast of the number of Twitter users in Mexico from 2017 to 2025. Statista. https://www. statista.com/forecasts/1144192/twitter-users-in-mexico
Eichstaedt, J. C., Smith, R. J., Merchant, R. M., Ungar, L. H., Crutchley, P., Preotiuc-Pietro, D. & Schwartz, H. A. (2018). Facebook language predicts depression in medical records. Proceedings of the National Academy of Sciences, 115(44), 11203-11208. https://doi.org/10.1073/pnas.1802331115
Ekman, P. (1999). Basic emotions. Handbook of cognition and emotion, 98(45-60), 16.
Gareth, J., Daniela, W., Trevor, H., & Robert, T. (2013). An introduction to statistical learning: with applications in R (2.a ed.). Springer. https://hastie.su.domains/ISLR2/ISLRv2_website.pdf
Godoy Viera, A. (2017). Técnicas de aprendizaje de máquina utilizadas para la minería de texto. Investigación bibliotecológica: archivonomía, bibliotecología e información, 31(71), 103-126. http://dx.doi.org/10.22201/iibi.0187358xp. 2017.71.57812
González-Ruiz, S. L., Gómez-Gallego, I., Pastrana-Brincones, J. L., & Hernández-Mendo, A. (2015). Algoritmos de clasificación y redes neuronales en la observación automatizada de registros. Cuadernos de psicología del deporte, 15(1), 31-40. https://dx.doi.org/10.4321/S1578-84232015000100003
Haro, S., Zúñiga, L., Meneses, A., Vera, L., & Escudero, A. (2018). Methods of Classification in Mining of Meteorological Data. http://ceaa.espoch.edu.ec:8080/revista.perfiles/faces/Articulos/Perfiles20Art13.pdf
Hermant Kumar (2020). Applications, Issues and Challenges in Text Mining https://www.amity.edu/gwalior/journal/ papers/etjri_v1_issue_2_03.pdf
Huerta-Velasco, D. A., & Calvo, H. (2021). Using lexical resources for detecting offensiveness in Mexican Spanish tweets. In Proceedings of the Iberian Languages Evaluation Forum (IberLEF 2021), CEUR Workshop Proceedings. CEUR-WS. org. http://ceur-ws.org/Vol-2943/meoffendes_paper2.pdf
Instituto Nacional de Estadística y Geografía. (2021). Presenta Inegi resultados de la primera Encuesta Nacional De Bienestar Autorreportado (Enbiare) 2021. Comunicado De Prensa Núm.. 772/21, 15–16. https://www.inegi.org.mx/programas/ enbiare/2021/
Jack, R., Garrod, O., & Schyns, P. (2014). Dynamic facial expressions of emotion transmit an evolving hierarchy of signals over time. Curr. Biol. 24, 187–192. doi: 10.1016/j.cub.2013.11.064
Jamil, Z. (2017). Monitoring tweets for depression to detect at-risk users (Doctoral dissertation, Université d’Ottawa/University of Ottawa). http://dx.doi.org/10.20381/ruor-20310
Lang M, Binder M, Richter J, Schratz P, Pfisterer F, Coors S, Au Q, Casalicchio G, Kotthoff L, Bischl B (2019). “mlr3: A modern object-oriented machine learning framework in R.” Journal of Open-Source Software. doi:10.21105/joss.01903, https://joss.theoj.org/papers/10.21105/joss.01903.
León Martinez, J. (2019). Identificación de depresión mediante el análisis de sentimientos (Bachelor’s thesis). http://hdl.handle.net/10662/9538
Limaymanta Alvarez, C. H. (2016). Métodos de remuestreo en los modelos de estructuras de covarianza, aplicado a la calidad de servicios en la FCA de la UNMSM. https://hdl.handle.net/20.500.12672/4870
López Jauregui, A., & Elosua Oliden, P. (2004). Estimaciones bootstrap para el coeficiente de determinación: un estudio de simulación. Revista Electrónica de Metodología Aplicada, 9(2), 1-14.
Marrocchi, F., Rapetti, C., Maguitman, A. G., & Estévez, E. C. (2019). Minería de emociones y análisis visual aplicado a la red social Twitter. In XXV Congreso Argentino de Ciencias de la Computación (CACIC)(Universidad Nacional de Rio Cuarto, Córdoba, 14 al 18 de octubre de 2019). http://sedici.unlp.edu.ar/handle/10915/91386
Martínez, C. (2020). En México, 39% de los cibernautas utilizan Twitter. El Universal; El Universal. https://www.eluniversal.com.mx/cartera/en-mexico-39-de-los-cibernautas-utilizan-twitter
Martins, R., Almeida, J. J., Henriques, P. R., & Novais, P. (2021, February). Identifying Depression Clues using Emotions and AI. In ICAART (2) (pp. 1137-1143). DOI: 10.5220/0010332811371143 https://www.scitepress.org/Papers/2021/ 103328/103328.pdf
Masse Fátima. (2022). Salud Mental Para Los Más Jóvenes. https://imco.org.mx/salud-mental-para-los-mas-jovenes/
Mori, J. L. C. (2013). Características de la depresión en la adolescencia. Revista Digital EOS Perú, 1(1), 59-66. http://www.revistaeos.net.pe/index.php/revistadigitaleos/article/view/66
Nicolini, H. (2020). Depresión y ansiedad en los tiempos de la pandemia de COVID-19. Cirugía y cirujanos, 88(5), 542-547. https://doi.org/10.24875/ciru.m20000067
Orabi, A. H., Buddhitha, P., Orabi, M. H., & Inkpen, D. (2018, June). Deep learning for depression detection of twitter users. In Proceedings of the Fifth Workshop on Computational Linguistics and Clinical Psychology: From Keyboard to Clinic (pp. 88-97). https://aclanthology.org/W18-0609
Organización Mundial de la Salud. (2021) Depresión. https://www.who.int/es/news-room/fact-sheets/detail/ depression.
Plutchik, R. (1980). A general psychoevolutionary theory of emotion. In Theories of emotion (pp. 3-33). Academic press. https://doi.org/10.1016/B978-0-12-558701-3.50007-7
Plutchik, R. (1988). The nature of emotions: Clinical implications. In Emotions and psychopathology (pp. 1-20). Springer, Boston, MA. DOI:10.1007/978-1-4757-1987-1_1
Plutchik, R. (2001). The nature of emotions: Human emotions have deep evolutionary roots, a fact that may explain their complexity and provide tools for clinical practice. American scientist, 89(4), 344-350. http://www.jstor.org/stable/ 27857503
Parra, F. (2019). Estadística y Machine Learning con R. https://bookdown.org/content/2274/metodos-de-clasificacion.html
Reguant-Alvarez, M., & Torrado-Fonseca, M. (2016), “El método Delphi”, Revista d’Innovació i Recerca en Educació, 9(1), Barcelona, Universitat de Barcelona, pp. 87-102. https://doi.org/10.1344/reire2016.9.1916
Rodríguez-Esparza, L. J., Barraza-Barraza, D., Salazar Ibarra, J., Vargas Pasaye, R.G. (2022). Emotion Analysis to Identify Risk of Committing Suicide Using Statistical Learning. In: Antoniano-Villalobos, I., Fuentes-Garca, R., Naranjo, L., Nieto Barajas, L.E., Ruiz-Velasco Acosta, S. (eds) Interdisciplinary Statistics in Mexico. Springer Proceedings in Mathematics & Statistics, vol 397. Springer, Cham. https://doi.org/10.1007/978-3-031-12778-6_5
Rodríguez-Esparza, L. J., Barraza-Barraza, D., Salazar-Ibarra, J., & Vargas-Pasaye, R. G. (2021). Metodología de Análisis de Emociones para Identificar Riesgo de Cometer Suicidio Generado por el COVID-19. Revista Lasallista de Investigación, 18(2), 105-124. https://doi.org/10.22507/rli.v18n2a9
Rodríguez-Esparza, L. J. , Barraza-Barraza, D., Salazar-Ibarra, J.,& Vargas-Pasaye, R. (2019). Index of suicide risk in Mexico using Twitter. Journal of Social Researches, 5(15), 1-13.
https://www.ecorfan.org/republicofnicaragua/researchjournal/investigacionessociales/journal/vol5num15/Journal_of_Social_Researches_V5_N15_1.pdf
Saaty, T. L. (1980). The analytic hierarchy process. mcgraw hill international. New York.
Saaty, T. (2001). The Analytic Network Process. In: Decision Making with the Analytic Network Process. Pittsburgh University Press;1- 26.
Saaty, T. L. (2008). Decision making with the analytic hierarchy process. International journal of services sciences, 1(1), 83-98.
Saloni D., Ritchie, H., & Roser, M. (2021). Mental Health. Our World in Data. https://ourworldindata.org/mental-health
Santomauro, D. F., Herrera, A. M. M., Shadid, J., Zheng, P., Ashbaugh, C., Pigott, D. M., ... & Ferrari, A. J. (2021). Global prevalence and burden of depressive and anxiety disorders in 204 countries and territories in 2020 due to the COVID-19 pandemic. The Lancet, 398(10312), 1700-1712. https://doi.org/10.1016/S0140-6736(21)021437
Skinner, B. F. (1981). Conducta verbal. México: Trillas.
Smirnova, D., Cumming, P., Sloeva, E., Kuvshinova, N., Romanov, D., & Nosachev, G. (2018). Language patterns discriminate mild depression from normal sadness and euthymic state. Frontiers in psychiatry, 9, 105. https://doi.org/10.3389/ fpsyt.2018.00105
Sukanya, M., & Biruntha, S. (2012, August). Techniques on text mining. In 2012 IEEE International Conference on Advanced Communication Control and Computing Technologies (ICACCCT) (pp. 269-271). IEEE. doi:10.1109/ICACCCT. 2012.6320784
Tsugawa, S., Kikuchi, Y., Kishino, F., Nakajima, K., Itoh, Y., & Ohsaki, H. (2015, April). Recognizing depression from twitter activity. In Proceedings of the 33rd annual ACM conference on human factors in computing systems (pp. 3187-3196). https://doi.org/10.1145/2702123.2702280
WHO. (2021). Suicide. Who.int; World Health Organization: WHO. https://www.who.int/news-room/fact-sheets/ detail/suicide
WordStream. (2022). 40 Twitter Statistics Marketers Need to Know in 2022.
https://www.wordstream.com/blog/ws/2020/ 04/14/twitter-statistics#:~:text=There%20are%20186%20million%20daily,million%20tweets%20sent%20per%20day
Yomaira Pabon, A. (2021). Intentos de suicidio y trastornos mentales. Revista Habanera de Ciencias Médicas, 20(4), 1–9. http://www.revhabanera.sld.cu/index.php/rhab/article/view/3967[citado