Antecedentes

El aprendizaje estadístico se refiere a un amplio conjunto de herramientas para comprender los datos. Estas herramientas pueden clasificarse como supervisadas o no supervisadas. En general, el aprendizaje estadístico supervisado implica construir un modelo estadístico para estimar o predecir una salida basada en una o más entradas. Con el aprendizaje estadístico no supervisado, hay entradas pero sin salida que "supervisan" lo acertado de la respuesta; sin embargo podemos aprender relaciones y estructura de tales datos (^{James, Witten, Hastie, & Tibshirani, 2017}).

En la década de 1980, ^{Breiman, Friedman, Olshen y Stone (1984)} introdujeron la clasificación y árboles de regresión. ^{Hastie y Tibshirani (1987)} acuñaron el término Modelos Generalizados Aditivos para una clase de extensiones no lineales a los modelos lineales generalizados, proporcionando una implementación práctica de software.

Desde entonces, inspirado en el advenimiento del aprendizaje automático, el aprendizaje estadístico se ha convertido en un nuevo subcampo en estadística, enfocado en modelado y predicción supervisada y no supervisada.

Aprendizaje Estadístico y Redes Sociales: herramientas en la detección del suicidio

Existen actualmente dos tendencias para la predicción de intenciones suicidas: la médica y la social. Esta última realiza las predicciones con base en datos sobre el comportamiento de los usuarios extraídos de sus interacciones en redes sociales o de sus dispositivos inteligentes (^{Merino, 2019}). El uso constante de las redes sociales como una herramienta que permite expresar el sentir y pensar de sus usuarios, ha generado que diversos estudios las consideren como fuente de información sobre el estado anímico de quienes las usan.

^{Greist, Gustafson, Satuss, Rowse, Laughren y Chiles (1973)} fueron de los primeros estudios en incorporar técnicas computacionales para la detección y predicción de riesgo de suicidio, encontrando que el nivel de precisión en las predicciones era más alto cuando se usaban las técnicas computacionales. Adicionalmente, los pacientes preferían contestar entrevistas en computadora que hablar con una persona, al sentirse más cómodos describiendo situaciones o pensamientos suicidas a una entidad que no los juzgaría.

^{Guntuku, Yaden, Kern, Ungar, y Eichstaedt (2017)} encuentran que es Twitter la red social más usada en los estudios para detectar depresión y otros problemas mentales, con análisis que datan desde el 2013. ^{Christensen, Batterham, y Dea (2014)} analizaron los esfuerzos en lo que ellos denominan e-health, o salud mental en línea, en tres rubros: búsqueda de usuarios con depresión, efectividad de intervenciones a través de las redes sociales y la naciente intervención cuando a los usuarios se les ha identificado con riesgo de depresión y otros problemas de salud mental.

^{De Choudhury, Gamon, Counts, y Horvitz (2013)}, han obtenido escritos públicos en Twitter para generar bases de datos de usuarios que han declarado su diagnóstico depresivo, para comparar su comportamiento con usuarios regulares. ^{Benton, Mitchell, y Hovy (2016)} estimaron el riesgo de suicidio en los usuarios de Twitter, tomando como base aquellos que ya han sido diagnosticados con depresión, mientras ^{Shen et al. (2017)} optaron por analizar tuits a través de Bayes ingenuos para detectar depresión.

^{Nadeem (2016)} utilizó técnicas de clasificación para el análisis de los textos compartidos por los usuarios a través del tiempo. ^{Jamil, Inkpen, Buddhitha y White (2017)} desarrollaron una metodología para la detección de depresión en usuarios de Twitter, a nivel twitter. Debido a la desproporcionalidad que había entre los tuits con contenido depresivo y aquellos que no lo presentaban, optaron por un análisis a nivel usuario, considerando el porcentaje de tuits depresivos, mejorando así la clasificación de usuarios deprimidos. Trabajando también con Twitter, ^{Orabi, Buddhitha, Orabi, e Inkpen (2018)} desarrollaron modelos de clasificación con altos niveles de exactitud, al determinar si un usuario presenta o no señales de depresión.

^{Reece y Danforth (2017)} se enfocaron en el análisis de fotografías subidas a Instagram para detectar signos de depresión en los usuarios. Por medio de métodos estadísticos, los autores encontraron que es posible identificar usuarios depresivos a través de las fotografías que comparten, siendo capaces de detectar signos de depresión incluso antes de que los usuarios sean diagnosticados por parte de un especialista de salud mental.

Más recientemente, ^{Ryu et al. (2018)}, analizaron un modelo de aprendizaje automático para predecir ideación suicida, alcanzando una precisión del 78.3 % con los datos de prueba. Mientras que ^{Oh et al. (2017)} experimentaron la posibilidad de predecir intentos suicidas con un algoritmo de clasificación alcanzando un 77.9 % de detección, en muestras grandes.

Tanto Facebook como Twitter han implementado rutinas considerando palabras y/o frases con tintes suicidas. En 2017, Facebook comenzó a utilizar aprendizaje automático para ampliar la capacidad de brindar ayuda oportuna, identificando publicaciones de personas que podrían estar en riesgo, como frases en publicaciones y comentarios preocupados de amigos y familiares (^{Card, 2018}).

La herramienta Tree Hole Rescue (^{Want, 2019}), desarrollada en China para evitar el suicidio, rastrea ciertas palabras en la red social Weibo (equivalente a Twitter) y estima un riesgo de las personas a cometer suicidio. Desde abril de 2018 a noviembre de 2019, el programa ha salvado a 700 personas. No es un software abierto ni con artículos científicos publicados, por lo que su replicación es imposible de llevar a cabo.

En México, si bien la telemedicina ha existido desde principios de la década de 2010's (Secretaría de Salud, 2011), los esfuerzos por atender la salud mental, especialmente después del aislamiento social por la enfermedad COVID-19 aún no han sido publicados. ^{Mercado (2020)} presenta sugerencias de trabajo en línea para servicios de psicoterapia, mientras Nicolini (2020) explica las incidencias de depresión y ansiedad debidos a la pandemia; sin describir alguno de ellos herramientas tecnológicas para la detección de riesgos de suicidio o depresión en redes sociales.

Aun cuando la tecnología no puede reemplazar a los especialistas de salud mental, puede ser una ayuda para conectar a más personas necesitadas con la ayuda apropiada. De momento, los esfuerzos en redes sociales han estado encaminados a detectar signos de depresión, sin adentrarse en el estudio del riesgo de suicidio en los usuarios de dichas redes.

Minería de emociones

La frase proporcionada al software generará un perfil de emociones identificando la proporción de éstas en la frase. Por ejemplo, la frase "Su orfandad es una manera terrible de violentar, pero más vale un final terrible que un terror sin final" (^{Vega-Gil, 2019}) genera un perfil de emociones como el que se muestra en la Figura 1, donde se aprecia el porcentaje de cada emoción identificado en la frase. Este perfil de emociones es la entrada de los modelos de aprendizaje estadístico discutidos en la siguiente sección.

Fuente: Elaborado por los autores

Figura 1 Perfil de emociones generado a través de minería de emociones 

A partir de este punto, en toda notación matemática, es Tristeza, es Enojo, es Miedo, es Aversión, es Anticipación, es Sorpresa, es Confianza y es Alegría, las ocho emociones básicas presentadas por ^{Plutchik (2001)}, y Es el conjunto de las ocho emociones por perfil, expresado en forma de vector.

Métodos del Aprendizaje Estadístico

Consideremos el siguiente modelo general

donde las X son las emociones de acuerdo con la sección anterior, y IRS es la variable de respuesta. La función fes una función fija pero desconocida, que dependerá de los modelos de aprendizaje utilizados en este estudio, y el término e representa el término aleatorio presente en todo modelo estadístico.

El conjunto de entrenamiento para la modelación y para estimar f está dado por {(x ₁ , ISR ₁ ), (x ₂ , ISR ₂ ),...(x _n , ISR _n )}, donde , es el número de expresiones que componen el conjunto de entrenamiento, y x _i , i = 1,2,...,n, es el perfil de emociones como se definió en la sección Minería de emociones.

Dependiendo de la existencia de una variable de respuesta, aprendizaje estadístico considera dos tipos: Supervisado (donde para cada x _i , i = 1,2,...,n, hay una respuesta asociada ISR _i ) y el No Supervisado (para cada x _i , i = 1,2,..,n no existe una respuesta asociada ISR _i ). Dentro de los métodos supervisados, se encuentran dos métodos: el paramétrico, que supone la forma funcional de f y el no paramétrico, que no supone una forma funcional de f. Dependiendo el tipo de respuesta, se puede realizar Regresión (IRS en términos numéricos) o bien Clasificación (IRS como uno de los cuatro niveles definidos). Considerando esta información, las propuestas de ajuste y predicción para el IRS, que se explican en las siguientes subsecciones, son:

Generación de Base de Datos de Entrenamiento

En 2019, se llevó a cabo el 1er. Encuentro Nacional de Investigación Interdisciplinaria Código 27 en la ciudad de Durango, México, que tuvo como objetivo conjuntar un grupo de expertos en salud mental para comentar la problemática del suicidio en México. Con la participación de expertos en la materia se llevó a cabo el siguiente ejercicio:

Fuente: Elaborado por los autores

Figura 2 Perfil de emociones presentado a los expertos en salud mental. 

La información generada por los expertos en salud mental se usó como conjunto de datos de entrenamiento para los algoritmos de aprendizaje estadístico presentados en la metodología. Dado que los expertos proporcionan información numérica y no nivel de riesgo (leve, moderado, severo o extremo), se realizó un análisis de conglomerados con distancia promedio. Los resultados se presentan en la Figura 2, identificando cada nivel con colores: rojo (leve), azul (moderado), verde (severo) y cian (extremo). Las líneas horizontales marcan la clasificación propuesta del IRS en este trabajo. Así pues, los rangos propuestos para los niveles del IRS son: Leve 0-45, Moderado 46-70, Severo 71-90 y Extremo de 91-100.

Fuente: Elaborado por los autores.

Figura 3 Análisis de clúster para los datos de entrenamiento. 

Entrenamiento de Modelos

Resultados para Modelo No Supervisado, usando Análisis de Discriminante Lineal.

Este modelo arroja las probabilidades de pertenecer a cada uno de los niveles de IRS que se presentan en la Tabla 4. En esta tabla se puede apreciar que, de los datos de entrenamiento, las probabilidades de pertenecer a los niveles de IRS leve o moderado son mayores.

Tabla 4 Probabilidades de pertenencia a cada nivel de IRS 

Leve	Moderado	Severo	Extremo
0.45	0.43	0.08	0.04

Fuente: Elaborado por los autores.

El Análisis de Discriminante Lineal (ADL) describe los grupos con un vector de medias (renglones en la Tabla 5). Recordando que se trata de porcentajes de emociones identificadas en cada perfil, es posible ver que en el nivel de riesgo leve está representado por bajos porcentajes de emociones negativas como tristeza, enojo, miedo o aversión, y altos niveles de confianza y alegría. Por otro lado, el nivel de riesgo de suicidio extremo está identificado por altos porcentajes de emociones negativas (tristeza, enojo, miedo y aversión), mientras que las emociones positivas se presentan en muy bajos niveles o nulos (alegría, sorpresa y anticipación).

Tabla 5 Medias de emociones por grupo de IRS 

	Tristeza	Enojo	Miedo	Aversión	Anticipación	Sorpresa	Confianza	Alegría
Leve	6.234	2.578	7.009	4.399	16.965	7.704	31.976	23.132
Moderado	14.636	10.277	15.604	8.544	14.978	6.753	18.487	10.719
Severo	30.565	14.018	16.585	17.345	6.637	3.750	6.013	5.085
Extremo	32.6175	20.737	24.947	20.382	0.000	0.000	1.315	0.000

Fuente: Elaborado por los autores.

Se presentaron tres modelos con metodologías diferentes, realizando una comparación del comportamiento de estos modelos con datos de prueba. Se consideraron 77 nuevas frases para predecir cuál es su nivel de IRS. La Figura 4 presenta la comparación de estimaciones de IRS para los modelos paramétrico (GAM) y no paramétrico (splines); estos modelos asignan un valor numérico al IRS. Estos modelos coinciden en estimaciones de IRS en un 96 % de las frases estudiadas.

Fuente: Elaborado por los autores.

Figura 4 Predicción del IRS para datos de prueba. Comparación de modelo paramétrico y no paramétrico. 

Al realizar la comparación de las predicciones entre los tres métodos propuestos, presentando los porcentajes de coincidencia entre los modelos (modelo supervisado vs modelo paramétrico o vs modelo no paramétrico) en la Tabla 4, se observa que los tres modelos tienen altos porcentajes de coincidencia en las estimaciones.

Tabla 6 Porcentaje de coincidencias de predicciones entre los métodos analizados. 

Modelo 1	Modelo 2	Porcentaje de Coincidencia
No Supervisado	Supervisado Paramétrico	90.90%
No Supervisado	Supervisado No Paramétrico	92.20%
Supervisado Paramétrico	Supervisado No Paramétrico	96.00 %

Fuente: Elaborado por los autores

En la Tabla 7 se presentan explícitamente cuántos usuarios se clasificaron en cada categoría para los tres métodos usados. Se agrega además la predicción obtenida utilizando el Proceso Jerárquico Analítico (PJA) presentado en ^{Rodríguez-Esparza et al. (2019)}.

La misma información se presenta en la Figura 5. En ambos elementos se puede observar que las metodologías coinciden en la predicción de niveles leve, moderado y severo. Sin embargo, sólo el método no supervisado clasifica frases en niveles extremos de IRS.

Tabla 7 Clasificación del 1RS de los datos de prueba dada por los métodos analizados. 

	Leve	Moderado	Severo	Extremo
Supervisado Paramétrico	34	36	7	0
Supervisado No Paramétrico	35	34	7	1
No supervisado	33	38	3	3
PJA	38	31	8	0

Fuente: Elaborado por Los autores.

Fuente: Elaborado por los autores.

Figura 5 Clasificación de los datos de prueba obtenida por los cuatro modelos considerados. 

Prueba de Modelos con Nuevo Conjunto de Datos: COVID-19

Se decidió usar esta metodología para analizar las emociones de diversos gobernadores y jefes de estado, de México y Latinoamérica respectivamente, expresados en sus tuits entre los días 15 de marzo a 12 de abril del año 2020, analizando 2,377 palabras para gobernadores de la República Mexicana, y 1,371 palabras para los mandatarios de los 18 países latinoamericanos. La Figura 6 muestra los resultados obtenidos aplicando los modelos supervisados (paramétrico y no paramétrico) para los tuits de los gobernadores de México, se puede observar que la mayoría de éstos muestran un IRS por debajo del 60. El único gobernador con ISR sobre 70 es el gobernador de Hidalgo, quien el 28 de marzo de 2020 dio positivo a COVID-19 (^{Milenio, 2020}), el primer gobernador mexicano en tener tal diagnóstico. En la Figura 7, se comparan los resultados de predicción de ISR con modelos supervisados, para jefes de estado en los países de América Latina, para quienes este índice reporta niveles menores a 60, con el presidente cubano reportando un índice ligeramente superior a 60. Para ninguno de los gobernadores o presidentes se encuentra un ISR que emitan preocupación por alguno de ellos.

Fuente: Elaborado por los autores.

Figura 6 Predicciones utilizando los modelos supervisados para los gobernadores de México. 

Fuente: Elaborado por los autores.

Figura 7 Predicciones utilizando los modelos supervisados para algunos presidentes. 

Al comparar los resultados de los modelos supervisados con el modelo no supervisado, como se muestra en la Tabla 8 y el resumen en la Tabla 9, se aprecia que todos los gobernadores de México se encuentran en niveles que no preocupan, manteniendo una actitud activa positiva tratando de transmitir los riesgos de la pandemia, no así el gobernador de Hidalgo, en quien sí se aprecian niveles severos (modelos supervisados) y extremo (modelo no supervisado). En un análisis de las emociones identificadas en los tuits de este gobernador, se aprecian emociones orientadas a la tristeza y el miedo. En esta situación, se recomienda prestar atención a la salud mental de este gobernador, pues su ISR es preocupante.

En el análisis realizado a los tuits de presidentes de países de América Latina, presentados en las Tabla 10 y Tabla 11, se aprecia que todos ellos se encuentran en niveles leve o moderado, es decir, ninguno de ellos expresa emociones en sus tuits que levanten alarma sobre intenciones suicidas.