Depression and bipolar disorder are two mental disorders which left untreated can have a devastating effect on a persons life as they are considered both chronic and disabling. Seeking help is often a big step that can be procrastinated for years, and misdiagnosis is a very common problem once contact with psychiatric care has finally been established. This paper investigates the correlation between posting patterns on Twitter and suffering from these diagnoses. For each day of the past year we quantify cues for emotional intensity and polarity, involvement with their social network and activity as well as metrics previously shown to be associated with depression. A number of statistical tests, including Anova, t-testing and Covariance analysis, are then constructed and fitted over our data. Our results show a significant difference between our groups in affective language use tied to emotional polarity as well as an elevated use of first person personal pronouns for both the depressed and bipolar group. These findings indicate strongly that our approach is valid for finding cues about mental illness, however the strong limitations in our data collections approach needs to be addressed in order for our results to have real scientific merit. This study is motivated by the need for finding predictive models for mental disorders, and to better understand the disorders themselves. Predictive models can be helpful for proper diagnosis by a clinical psychologist as well as for helping more people seek treatment. / Depression och bipolär sjukdom är två psykiska sjukdomar som obehandlade kan ha en förödande effekt på en persons liv eftersom de anses både kroniska och förlamande. Att söka hjälp är ofta ett väldigt stort steg som kan prokrastineras i flera år, och dessutom är feldiagnosticering ett väldigt stort problem när en kontakt med psykiatrin väl har upprättats. Denna rapport undersöker korrelationen mellan inläggsmönster på Twitter och dessa två diagnoser. Vi kvantifierar varje enskild dag av det senaste året i termer av kännetäcken för en människas emotionella intensitet och polaritet, engagemang med sitt sociala nätverk och aktivitet, såväl som parametrar som i tidigare forskning visat sig associerade med depression. Vi använder sedan statistiska modeller såsom variansanalys, t-test och kovariansanalys över vår data. Våra resultat visar på en signifikant skillnad mellan våra grupper i affekterat språkbruk och hur det kopplas till emotionell polaritet. Vi visar även på ökat användande av pronomen i första person singular hos våra bipolära och deprimerade grupper. Dessa resultat tyder på att vår metod är giltig för att hitta indikationer för mental ohälsa, men begränsningar i vår datainsamling behöver adresseras innan våra resultat kan ha riktig vetenskaplig betydelse. Den här studien är motiverad av behovet av att finna modeller med prediktiv kraft för psykisk ohälsa, och att bättre förstå depression och bipolar sjukdom som helhet. Prediktiva modeller kan vara hjälpsamma för korrekt diagnossättning av en klinisk psykolog samt att hjälpa individer att söka behandling.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-229439 |
| Date | January 2018 |
| Creators | Olsson, Viktor, Lindow, Madeleine |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2018:239 |
Page generated in 0.0028 seconds