• Suicídio é \(4^a\) maior causa de morte entre pessoas de 15 a 29 anos no Brazil.

• 11 mil mortes; 5,7/100 mil habitantes (2011 - 2016).

(Ministério da Saúde, 2017)

• Existem estratégias de prevenção e promoção de saúde.

• No Brasil: Plano Nacional de Prevenção ao Suicídio.

  • Promoção de saúde e integração de cuidade e educação de profissionais de saúde até 2020.

(Ministério da Saúde, 2017)

• Iniciativas privadas e não-governamentais:

• Centro de Valorização da Vida (Centro de Valorização da Vida, 2019)

• Prevenção de suicídio nas redes sociais: Twitter (Twitter, 2019), Facebook (Facebook, 2019) e Instagram (Instagram, 2019).

  • Estes normalmente recorrem à ONGs como o CVV para intervenção.

• As iniciativas de prevenção ao suicídio tem lacunas científicas e tecnológicas.

• Correta identificação de um indivíduo com alto risco de suicídio.

• Diferenção de ideação suicida e indivíduos com risco de tentativa de suicídio.

• Num contexto de mídias sociais:

• O objetivo desta dissertação é ser capaz de identificar indivíduos com risco de tentativa de suicídio

• Identificar variáveis associadas com um aumento no risco de suicídio

• Descobrir fatores que impactam no suicídio é um dos principais objetivos das pesquisas sobre depressão (Turecki & Brent, 2016)

• Comportamento suicida (Botega, 2015; Turecki & Brent, 2016)

  • automutilação deliberada -> com intenção suicida

  • automutilação sem intenção suicida

• automutilação com e sem intenção suicida estão relacionados ao suicidio e tentativas de suicidio

(Andover, Morris, Wren, & Bruzzese, 2012; Hawton, Comabella, Haw, & Saunders, 2013; Plener, Schumacher, Munz, & Groschwitz, 2015; Wilkinson, Kelvin, Roberts, Dubicka, & Goodyer, 2011)

• Tentativa de suicidio é preditor de novas tentativas (Prinstein et al., 2008)

  • OR = 4,84 (Hawton et al., 2013)

• Aqueles que tentam suicido são mais depressivos, ansiosos, reportam mais sintomas de Transtorno Pós-traumático (Prinstein et al., 2008)

• No Brasil, 15% das notificações de violência foram de automutilação

• 65,9%, se somente mulheres forem consideradas

• Tentativas de suicidio representam 27,4% das notificações de automutilação

• Suicídio é uma possível consequência para depressão uni e bipolar (American Psychiatric Association & others, 2013; Zhang & Li, 2013)

• Metanálise indica que 87,3% (SD = 10%) dos suicícios são comorbidos com algum transtorno psiquiátrico (Arsenault-Lapierre, Kim, & Turecki, 2004)

• 43,2% (SD = 18,5%) -> transtornos do humor

• 16,2% (SD = 8,6%) -> transtornos psicóticos

• Ansiedade aumenta o risco de suicídio (OR = 1,59)

• Abuso de álcool e drogas (OR = 2,17)

• São fatores que refletem estruturas sociais

• Há associação entre suicídio e notícias sobre suicídio com veiculação de métodos de suicídio, ou quando suicídio não é tratado como um transtorno mental

(Gould, 2001; Pirkis & Nordentoft, 2011)

• LGB tem maior risco de tentativas de suicídio durante a vida (OR = 2,47)

  • OR = 4,28, quando somente mulheres são consideradas

• Ideação suicida também é aumentada nessa população

  • Também há aumento de comorbidades como depressão, ansiedade, abuso de álgcool e drogas

(King et al., 2008)

• Tentativas de suicídio entre mulheres = 33.269 (2011-2016)

• Tentativas de suicídio entre homens = 14.931 (2011-2016)

• Taxa de mortalidade entre mulheres = 2,4/100 mil (2011-2015)

• Taxa de mortalidade entre homens = 8,7/100 mil (2011-2015)

(Ministério da Saúde, 2017)

• Há menor abuso de álcool entre mulheres

• Papéis sociais atribuidos a cada gênero

• Homens tendem a usar métodos mais efetivos de suicídio

(Botega, 2015; Ministério da Saúde, 2017)

• Maioria das tentativas de suicídio se dá com pessoas brancas: 53,2% (mulheres) e 52,2%(homens)

  • Homens: 9,5/100 mil

  • Mulheres: 2,7/100 mil

(Ministério da Saúde, 2017)

• Mortalidade é maior entre indígenas:

  • Homens: 23,1/100 mil

  • Mulheres: 7,7/100 mil

(Ministério da Saúde, 2017)

• Maior mortalidade entre indígenas pode ser explicada morte cultural:

  • Cultura nativa destruída pela industrialização

  • Degradação ambiental

  • Invasões

(Azuero et al., 2017)

• Bem-estar subjetivo = o grau em que um indivíduo avalia a própria qualidade de vida como boa ou desejável, independente de como os outros possam vê-la (Diener, 2009; Veenhoven, 2012)

• Sobreposição entre bem-estar subjetivo e depressão (Baselmans et al., 2018)

  • Pode ser explicado por fatores genéticos (Okbay et al., 2016)

  • Fatores genéticos: 41% - 49% (todas as idades) (Baselmans et al., 2018)

  • Fatores ambientais: 23% - 30% (todas as idades)(Baselmans et al., 2018)

  • Fatores genéticos: 60% - 70% (adolescentes e jovens adultos) (Baselmans et al., 2018)

• Ciberpsicologia: como a tecnologia afeta fenômenos psicológicos

• Diversos estudos encontram associação entre comportamento em mídias sociais e traços de personalidade

• Número de seguidores, seguindo e presença em listas no Twitter se relaciona com traços de Big-5

• Instrumentos psicométricos e dados do Twitter

• Extroversão: alto número de seguidores e seguindo

• Neuroticismo: menor número seguind ou de seguidores

(Quercia, Kosinski, Stillwell, & Crowcroft, 2011)

• Instrumentos psicométricos e dados do Facebook

• Perfil do Facebook e orientação sexual, inteligência, idade e traços de personalidade

(Kosinski, Stillwell, & Graepel, 2013)

• Estudos que não usam instrumentos psicométricos

• Procedimentos de análise textual

• Características linguísticas capazes de diferneciar homens e mulheres, idade e traços de personalidade (Schwartz et al., 2013)

Em português, Latent Dirichlet Allocation (LDA):

• Traços de personalidade e Twitter (Peres, 2018)

• Associação livre psicanalítica (Kaszubowski & others, 2016)

• Previsão de taxas de suicídio usando dados de mídias sociais Sul-Koreanas (Lee et al., 2018)

• Acurácia de 82,9%

• Identificação de estressores psiquiátricos através de processamento de linguagem natural e deep learning (Du et al., 2018)

• Associação destes estressores com dias da semana (Luo, Du, Tao, Xu, & Zhang, 2019)

Questões éticas:

• Facebook: pesquisa com 700.000 usuários, sem consentimento, visava alterar o humor através de mudanças no algoritmo do feed de postagens (Ignatow & Mihalcea, 2017)

• Facebook - Cambridge Analytica: mineirou dados de 50 milhões de perfil para construir perfis psicométricos para fins de micromarketing (Roncolato, 2019)

• Twitter: “O Twitter é público e os Tweets são imediatamente visíveis e pesquisáveis por qualquer pessoa em todo o mundo” (Política de privacidade twitter, 2020)

• Dados podem ser acessados sem cadastro

• Dados de domínio público não passam comitê de ética (Saúde, 2016)

• Apesar disso, usuários podem ter a expectativa de que seus dados sejam privados (Fiesler & Proferes, 2018)

• Ou podem ter a expectativa de que seus dados não sejam vistos por outros (Townsend & Wallace, 2016)

• 61,2% (N = 268) -> usuários cientes de que tuítes podem ser usados para pesquisa

• 49,4% -> cofortáveis com a idade de que seus possam ser usados

Alguns fatores aumentam este conforto:

• Pedir permissão (67,4%)

• Assunto do estudo (56,6%)

• Se o tuíte é citado (38,6%)

(Fiesler & Proferes, 2018)

Objetivos:

• Identificar e coletar tuítes relacionados à suicídio, depressão e bem-estar

1. busca sistemática de instrumentos que meçam suicídio, depressão e bem-estar

2. transformação dos itens dos instrumentos encontrados em termos de busca

3. busca e armazenamento de tuítes

4. processamento e preparação dos tuítes

5. classificação de tuítes

• Busca sistemática nas bases Scielo e PEPSIC

• Campos “título”, “resumo” e “corpo” dos artigos

• Artigos de validação e empíricos -> artigos de validação

• Publicados após 2013

• Termos de busca:

• (suic* OR depressão) AND (escala OR psicométric* OR validação OR instrumento OR questionário OR medida OR inventário)

• (bem-estar OR felicidade) AND (escala OR psicométric* OR validação OR instrumento OR questionário OR medida OR inventário)

Critérios de inclusão:

• Ter o instrumento disponível no artigo ou este instrumento puder ser acessado através dos autores

• ser um estudo de validação

• população Brasileira

• instrumento deve estar em português brasileiro

• instrumento deve ser sobre suicídio, depressão ou bem-estar ou conter fatores que meçam estes construtos

• Análise de cada item

1. estruturas frasais similares que produzam a ideia do item original

2. sinônimos de cada palavra

3. erros gramaticais que podem aparecer em tuítes

4. gírias e maneirismos

• “Eu me senti abatido e triste” (Patias, Machado, Bandeira, & Dell’Aglio, 2016)

  • abatido AND triste

  • abatido AND para baixo

  • abatido AND pra baixo

• API de busca do Twitter permite coleta de até 18.000 tuítes de 8 a 11 dias (Kearney, 2018)

• Não há garantia de que estes tuítes sejam relacionados aos construtos pretendidos

• Classificação manual de tuítes -> Convolutional Neural Networks

Procedimentos éticos:

• Classificação feita pelo autor e estudantes de psicologia treinados para esta classificação

• Estudos somente terão acesso ao texto do tuíte e seu ID

• (Du et al., 2018; Luo et al., 2019)

• Convolutional Neural Network -> capacidade de trabalhar com processamento de linguagem natural (Collobert & Weston, 2008)

• Avaliação via precisão positiva, revocação, acurácia e medida F

Ao final do estudo 1, será possível obter:

• Corpus de tuítes positivamente relacionados ao suicídio, depressão e bem-estar

• Corpus = Documento com tuítes de suicídio + doc. depressão + doc. bem-estar

Objetivos:

• Encontrar padrões linguísticos, psicológicos e sociológicos entre os tuítes positivamente classificados como suicídio, depressão e bem-estar

• Comparação entre os tuítes classificados como suicídio, depressão e bem-estar

• Remoção de pontuação, espaços, termos espúrios (stopwords) (Feinerer, Hornik, & Meyer, 2008; Wickham & others, 2014)

• Preparação do Document Term Matrix, necessário para o LDA

• Método para extração de tópicos latentes em um corpus de documentos

• Técnica Bayesiana hierárquica

  • Cada documento é composto por uma série de tópicos

  • Cada tópico é formado por uma coleção de palavras

• Probabilidade de um tópico pertencer a um documento (\(\beta\))

• Probabilidade de uma palavra pertencer a um tópico (\(\gamma\))

• Tópicos são latentes:

• Estimativa do número de tópicos (k) através de quatro parâmetros:

  • Griffiths & Steyvers (2004)

  • Cao, Xia, Li, Zhang, & Tang (2009)

  • Arun, Suresh, Veni Madhavan, & Narasimha Murthy (2010)

  • Deveaud, SanJuan, & Bellot (2014)

• k 2 a 50

• k é escolhido de acordo com os parâmetros e através da relevância teórica (principais palavras em cada tópico)

• Comparação de tópicos mais proeminentes e diferenças entre tuítes relacionados à suicídio, depressão e bem-estar

• Distribuição \(\gamma\)

Objetivo:

• Identificar tendências temporais

• Nível coletivo e individual

• Para o nível individual: seleção de indivíduos com base em tuítes com alta probabilidade de estarem relacionados à suicídio

• Coleção de tuítes deste grupo de indivíduos (com tuítes relacionados ou não à suicídio)

• Cada tuíte é um documento

• LDA não produz correlação entre tópicos, CTM produz

(Blei & Lafferty, 2006)

• k de acordo com a perplexidade (medida de quão bem uma distribuição é capaz de prever uma amostra)

• k de 2 a 30

• Tuítes distribuídos temporalmente

• \(\gamma\) de cada tópico para cada ponto no tempo

• Análise de rede como uma maneira de visualizar a correlação entre esses tópicos e como elas variam de acordo com o tempo

Rede de sintomas de um paciente com depressão. Adapted from Epskamp et al. (2018)

• Redes Psicométrica: Temporal e Contemporânea (Epskamp et al., 2018)

• Temporal -> lag-1 VAR -> previsão do valor de uma variável (\(\gamma\)) usando o valor dessa variável num período anterior

• Contemporânea -> representa a correlação entre as variáveis numa mesma janela de tempo (e.g. mudanças instantâneas)

• À partir disso: que tópicos levam ao aumento da probabilidade de um tuíte ser relacionado à suicídio?