This study investigates the social networks impact on mental health. Further, it examines the role of digital tools in regard to loneliness among elderly people. Several studies have investigated similar questions before, but further knowledge can be added with this study on the Swedish population. The aim of the study is to enhance the knowledge on whether social networks have an impact on individual’s mental health. The theoretical framework consists of Granovetter’s strenght-of-weak-ties and Putnam’s definition of social capital. A quantitative approach is used, and secondary analysis is made on an existing data set. The data originates from a survey used to measure social networks in Sweden. To get further insight, an ordinal regression model was built in order to sort out the potential impact of the different variables. The result shows that elderly peoplewho use digital tools are less likely to feel lonely in comparison to those who are non-users. Also, both weak and strong social ties seem to have a positive effect on mental health. Finally, social capital is also proved to have an impact on mental health. The most important result show that trusting people was the strongest correlated variable with mental health in regard to the components of social capital. Further, those who feel trust for others are more likely to report a better mental wellbeing. For future research we recommend focusing on a specific age group, for example relevant to our findings, this could be the elder population. To gain enhanced knowledge, we recommend a mixed methods approach in order toget a deeper understanding.

Le phénotypage numérique mobilise les nombreux capteurs du téléphone intelligent (p. ex. : accéléromètre, GPS, Bluetooth, métadonnées d’appels) pour mesurer le comportement humain au quotidien, sans interférence, et les relier à des symptômes psychiatriques ou des indicateurs de santé mentale. L’apprentissage automatique est une composante intégrale au processus de transformation de signaux bruts en information intelligible pour un clinicien. Cette approche émerge d’une volonté de caractériser le profil de symptômes et ses variations dans le temps au niveau individuel. Ce projet consistait à prédire des variables de santé mentale (p. ex. : stress, humeur, sociabilité, hallucination) jusqu’à sept jours dans le futur à partir des données du téléphone intelligent pour des patients avec un diagnostic de schizophrénie. Le jeu de données CrossCheck, composé d’un échantillon de 62 participants, a été utilisé. Celui-ci inclut 23,551 jours de signaux du téléphone avec 29 attributs et 6364 autoévaluations de l’état mental à l’aide d’échelles ordinales à 4 ancrages. Des modèles prédictifs ordinaux ont été employés pour générer des prédictions discrètes interprétables sur l’échelle de collecte de données. Au total, 240 modèles d’apprentissage automatique ont été entrainés, soit les combinaisons de 10 variables de santé mentale, 3 horizons temporels (même jour, prochain jour, prochaine semaine), 2 algorithmes (XGBoost, LSTM) et 4 tâches d’apprentissage (classification binaire, régression continue, classification multiclasse, régression ordinale). Les modèles ordinaux et binaires ont performé significativement au-dessus du niveau de base et des deux autres tâches avec une erreur moyenne absolue macro entre 1,436 et 0,767 et une exactitude balancée de 58% à 73%. Les résultats montrent l’effet prépondérant du débalancement des données sur la performance prédictive et soulignent que les mesures n’en tenant pas compte surestiment systématiquement la performance. Cette analyse ancre une série de considérations plus générales quant à l’utilisation de l’intelligence artificielle en santé. En particulier, l’évaluation de la valeur clinique de solutions d’apprentissage automatique présente des défis distinctifs en comparaison aux traitements conventionnels. Le rôle grandissant des technologies numériques en santé mentale a des conséquences sur l’autonomie, l’interprétation et l’agentivité d’une personne sur son expérience. / Digital phenotyping leverages the numerous sensors of smartphones (e.g., accelerometer, GPS, Bluetooth, call metadata) to measure daily human behavior without interference and link it to psychiatric symptoms and mental health indicators. Machine learning is an integral component of processing raw signals into intelligible information for clinicians. This approach emerges from a will to characterize symptom profiles and their temporal variations at an individual level. This project consisted in predicting mental health variables (e.g., stress, mood, sociability, hallucination) up to seven days in the future from smartphone data for patients with a diagnosis of schizophrenia. The CrossCheck dataset, which has a sample of 62 participants, was used. It includes 23,551 days of phone sensor data with 29 features, and 6364 mental state self-reports on 4-point ordinal scales. Ordinal predictive models were used to generate discrete predictions that can be interpreted using the guidelines from the clinical data collection scale. In total, 240 machine learning models were trained, i.e., combinations of 10 mental health variables, 3 forecast horizons (same day, next day, next week), 2 algorithms (XGBoost, LSTM), and 4 learning tasks (binary classification, continuous regression, multiclass classification, ordinal regression). The ordinal and binary models performed significantly better than the baseline and the two other tasks with a macroaveraged mean absolute error between 1.436 and 0.767 and a balanced accuracy between 58% and 73%. Results showed a dominant effect of class imbalance on predictive performance and highlighted that metrics not accounting for it lead to systematic overestimation of performance. This analysis anchors a series of broader considerations about the use of artificial intelligence in healthcare. In particular, assessing the clinical value of machine learning solutions present distinctive challenges when compared to conventional treatments. The growing role of digital technologies in mental health has implication for autonomy, sense-making, and agentivity over one’s experience.

La littérature sur la diversification criminelle s’est particulièrement développée au cours des deux dernières décennies. Parmi les études, la diversité dans les activités illicites a été examinée auprès de divers sous-échantillons. Toutefois, aucune n’a été menée sur la versatilité criminelle de fournisseurs de drogues. Pourtant, ces derniers se distinguent quant à plusieurs aspects de leurs activités criminelles. L’objectif principal de ce mémoire est de déterminer quels sont les facteurs ayant une influence sur la diversification criminelle des distributeurs de drogues au Québec. Pour ce faire, un sous-échantillon de 33 270 fournisseurs de drogues a été circonscrit à l’aide de données d’arrestations policières des années 2003 à 2009. Le résultat émergeant d’une régression logistique ordinale est que les facteurs de diversification criminelle sont essentiellement les mêmes pour notre sous-échantillon et les autres délinquants. Nous constatons également que nous gagnons en rigueur en distinguant les fournisseurs spécialisés dans un marché illicite, des distributeurs dits polydrogues. En effet, les analyses indiquent que ces derniers s’impliquent dans un nombre restreint de types de crimes. Finalement, contrairement à ce qui a été observé dans la littérature sur la diversité criminelle, certaines variables n’ont que peu ou pas d’effet sur la versatilité dans les activités illicites, comme l’intensité criminelle ainsi que l’âge. / The literature on criminal diversification was developed particularly over the past two decades. Among the studies, diversity in illicit activities has been examined in various subsamples. However, no study has been conducted on the criminal versatility of drug providers. However, they differ in several aspects of their criminal activities. The main objective of this work is to determine the factors that influence the criminal diversification of drug distributors in Quebec. To do this, we use a sub-sample of 33,270 drug providers, created using police arrest data from the years 2003 to 2009. The main result of an ordinal logistic regression is that the factors of criminal diversification are essentially the same for our subsample and other offenders. We also note that we are gaining in rigour by distinguishing suppliers specialized in an illicit market from the so-called polydrugs distributors. Indeed, analyses indicate that these polydrugs distributors are involved in a limited number of crime types. Finally, contrary to what has been observed in the literature on criminal diversity, some variables have little or no effect on versatility in illicit activities, such as criminal intensity and age.