Gathering signs of mental health concerns through the automated analysis of textual production

Les troubles et souffrances psychiques peuvent avoir des conséquences graves, allant de l’incapacité à la mort (World Health Organization, 2013; Canadian Mental Health Association, 2020). Un enjeu notoire autour de leur dépistage et dans le déploiement d’efforts d’intervention auprès des personnes concernées, est la difficulté d’accès à des ressources de soutien et à des soins adéquats. Cette situation est exacerbée par la stigmatisation des troubles de santé mentale (Henderson et al., 2013). Or, les personnes à risque font souvent part de leurs vécus et inquiétudes sur des plateformes numériques de plus en plus variées et de plus en plus utilisées. Ainsi, il existe un intérêt croissant dans l’analyse automatique de ces informations afin de rassembler des indices sur l’état mental de personnes potentiellement à risque (De Choudhury et al., 2013; Merchant et al., 2019). La présente thèse examine l’analyse automatisée de contenus textuels partagés en ligne à des fins d’évaluation de risques liés à la santé mentale. Spécifiquement, le travail présenté concerne l’utilisation de méthodes d’apprentissage automatique pour produire des analyses procédurales de l’état de santé mentale d’une personne à partir de ses écrits partagés en ligne. Ces efforts comportent un bilan des défis particuliers d’une telle entreprise du point de vue de l’apprentissage automatique. Un premier obstacle est le manque de données. Les algorithmes d’apprentissage automatique nécessitent une compilation d’exemples à partir desquels des inférences seront effectuées. Les approches fines, capables d’extraire des structures complexes, ont besoin d’un grand volume de données pour atteindre de bonnes performances dans leurs capacités de généralisation. Or, la collecte de données en matière de santé mentale est coûteuse en raison de l’expertise nécessaire, rendant difficile la production de ressources vastes. Un deuxième obstacle, plus fondamental, est le balisage approprié des inférences à effectuer. Bien que les méthodes d’apprentissage automatique puissent faire des inférences à partir des données, elles doivent le faire à partir de certains choix de structures qui leur sont fournis, i.e. des hypothèses d’apprentissage. Une vaste littérature sur l’analyse de données textuelles peut aider à guider ces choix. Toutefois, son application à des fins d’évaluation de l’état de santé mentale est particulière dans la mesure où les signaux à sonder ont un lien indirect avec le texte et peuvent être diffus à travers une grande quantité d’information. Un troisième obstacle, plus technique, est le fait que l’analyse détaillée de textes peut nécessiter un coût calculatoire qui ne passe pas à l’échelle imposée par les grandes quantités de texte que les personnes peuvent produire sur les plateformes numériques. La présente thèse comporte ainsi une série de contributions visant à aborder ces obstacles. Deux de ces contributions se concentrent sur l’élaboration d’approches efficaces pour la modélisation de la langue, tant en termes de nombre de paramètres nécessaires qu’en termes de temps de calcul. Ces travaux s’inscrivent dans un objectif de diminution des besoins en ressources de calcul des algorithmes de modélisation de la langue. Deux autres contributions étudient le déploiement de ce type d’approches pour l’analyse de l’état de santé mentale à travers la langue écrite, en particulier dans cas différentes souffrances psychiques. Ces efforts s’articulent autour de considérations pratiques particulières comme le nombre limité de données et le besoin de prédictions dans des délais opportuns. Enfin, une contribution supplémentaire se penche sur la transposition d’éléments de modélisation entre différentes souffrances psychiques.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.