Sentiment Analysis of Thought-Related Language in the Context of Cognitive Disorders Using Machine Learning, Transformer-based Architecture and Large Language Models

La mente humana es un flujo constante de comentarios, una narración continua de creencias, preocupaciones y esperanzas que moldea cómo experimentamos el mundo. Los psicólogos han comprendido desde hace tiempo que la forma en que las personas se hablan a sí mismas importa; cuando ese diálogo interno se vuelve severo o distorsionado, puede atrapar a los individuos en ciclos de ansiedad y depresión. Durante décadas, identificar estos patrones de pensamiento perjudiciales requería de un profesional capacitado para escuchar cuidadosamente e interpretar los matices del lenguaje de un paciente. Hoy, a medida que las personas comparten sus vidas interiores de manera más abierta en las redes sociales, surge una nueva pregunta: ¿pueden las computadoras aprender a leer estos pensamientos digitales con el mismo cuidado? Este campo, conocido como salud mental computacional, busca utilizar las herramientas del análisis del lenguaje para detectar patrones en el texto que señalen angustia emocional. El desafío radica en distinguir entre un estado de ánimo pasajero y una forma de pensar negativa y profundamente arraigada, una tarea que requiere no solo contar palabras, sino comprender el peso de lo que se está diciendo.

Un equipo de investigadores de la Universidad Islámica de Tecnología ha dado un paso significativo para responder a esta pregunta mediante la creación de un sistema para clasificar el tono emocional de los pensamientos expresados en línea. No simplemente le pidieron a una computadora que adivinara si una oración era feliz o triste; en su lugar, se centraron específicamente en el lenguaje "relacionado con el pensamiento": afirmaciones que revelan cómo una persona interpreta su realidad. Para lograrlo, recopilaron una colección masiva de 156,785 publicaciones de plataformas de redes sociales como Reddit, Twitter y Facebook. Necesitaban una forma de clasificar estos millones de palabras en dos categorías: positivas y negativas. Primero, utilizaron un programa informático especializado, diseñado para comprender la jerga y el tono informal de las redes sociales, para asignar una etiqueta inicial a cada publicación. Para asegurar que estas etiquetas fueran confiables, contaron con la intervención de dos psicólogos con licencia. Estos expertos revisaron una muestra aleatoria de 500 publicaciones, calificándolas en una escala para ver si la suposición inicial de la computadora coincidía con el juicio humano. Los expertos estuvieron de acuerdo con la clasificación de la computadora la gran mayoría de las veces, confirmando que el conjunto de datos era lo suficientemente confiable como para entrenar a una máquina para reconocer la diferencia entre un pensamiento constructivo y uno destructivo.

Con un conjunto de datos limpio y verificado en mano, los investigadores sometieron a prueba una amplia variedad de modelos computacionales para ver cuál podía realizar mejor esta clasificación. Comenzaron con métodos tradicionales, que son como calculadoras simples y eficientes que buscan palabras específicas y sus frecuencias. También probaron modelos "transformer" avanzados, que son sistemas más complejos capaces de comprender el contexto y la relación entre las palabras en una oración, de manera similar a como un lector humano capta el significado completo de una historia en lugar de solo el vocabulario individual. Finalmente, probaron un modelo de lenguaje de gran tamaño, un tipo poderoso de inteligencia artificial diseñado para generar texto de apariencia humana, pidiéndole que clasificara los pensamientos mediante instrucciones específicas. Los resultados fueron sorprendentes para aquellos que asumen que los modelos más grandes y complejos son siempre mejores. Los modelos tradicionales, más simples, fueron en realidad más efectivos. Un tipo específico de algoritmo simple, conocido como regresión logística, alcanzó la mayor precisión, identificando correctamente el sentimiento de los pensamientos casi el 93 por ciento de las veces. Los modelos transformer más complejos, aunque siguen siendo muy buenos, obtuvieron una puntuación ligeramente inferior, alrededor del 84 por ciento de precisión. El modelo de lenguaje de gran tamaño, a pesar de su reputación de inteligencia, tuvo el desempeño más débil en esta tarea específica, acertando aproximadamente el 80 por ciento de las veces.

Los investigadores encontraron que, para las oraciones cortas y directas típicas de las redes sociales, los modelos más simples eran en realidad más efectivos. Estos modelos tuvieron éxito porque los pensamientos negativos y positivos en el conjunto de datos a menudo contenían palabras claras y explícitas que señalaban su tono, lo que hacía innecesario que la computadora realizara un razonamiento profundo y complejo para comprenderlos. Los modelos más avanzados, diseñados para manejar narrativas largas y matizadas, no tuvieron una ventaja aquí y a veces tuvieron dificultades con la tarea específica de la clasificación binaria. El estudio también reveló que el sistema era notablemente consistente; cuando los investigadores probaron los modelos en diferentes fragmentos de los datos, los resultados se mantuvieron estables, demostrando que el sistema no solo estaba memorizando respuestas, sino aprendiendo genuinamente los patrones de pensamiento.

Crucialmente, los autores enfatizan que este sistema es una herramienta para la investigación, no un dispositivo de diagnóstico para individuos. La computadora está entrenada para reconocer el tono emocional de una oración, no para diagnosticar una condición de salud mental o determinar si una persona sufre de un trastorno específico. Un pensamiento negativo publicado en línea podría reflejar una frustración temporal en lugar de un problema clínico, y el sistema está diseñado para reflejar esa realidad lingüística, no para reemplazar el juicio de un médico. El trabajo sirve como base para investigaciones futuras, ofreciendo un conjunto de datos grande y verificado, así como una demostración clara de que las herramientas ligeras y eficientes pueden ser altamente efectivas para analizar el paisaje emocional del pensamiento humano a gran escala. Al demostrar que los métodos simples y transparentes pueden superar a los complejos en este contexto específico, el estudio sugiere que el camino a seguir para comprender la salud mental a través del lenguaje puede residir en la claridad y la precisión, más que en el puro poder computacional.