moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2024.45.2.016 1593 Прогнозирование депрессии на основе пользовательских данных русскоязычной социальной сети Forecasting the depression with user data from Russian-language social network 0009-0001-6073-3754 Солохов Тимур Дамирович Solokhov Timur Damirovich timurkass@list.ru aff-1 0000-0002-3232-5331 Кочкаров Азрет Ахматович Kochkarov Azret Akhmatovich AAKochkarov@fa.ru aff-2 Финансовый университет при Правительстве РФ Financial University under the Government of the Russian Federation Финансовый университет при Правительстве РФ Financial University under the Government of the Russian Federation 01 01 2026 1 1 10.26102/2310-6018/2024.45.2.016 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В статье показаны возможности применения семантического анализа постов пользователей социальной сети ВКонтакте для мониторинга и прогнозирования депрессии. Подчеркивается серьезность проблемы депрессии, ее негативное влияние на здоровье и социум, а также актуальность ранней диагностики и помощи. В работе также обоснована необходимость и перспективы анализа данных русскоязычных социальных сетей для предотвращения развития депрессии у пользователей. В статье предложен подход, который позволяет проводить анализ текстовых данных и использовать логистическую регрессию для классификации пользователей по наличию депрессии. Результаты исследования показывают высокую точность модели с использованием логистической регрессии, что представляет потенциал для автоматизации процессов выявления и поддержки пользователей, страдающих депрессией по данным пользовательской информации в социальных сетях. Также приводится значимость данного метода, его практическая полезность для персонализированных интервенций, преимущества и перспективы развития, включая использование нейросетевых методов и анализ динамики данных. Несмотря на достигнутые результаты, отмечается необходимость дальнейшей работы над моделью, включая изучение других методов машинного обучения и учет изменений в психическом состоянии пользователя со временем. Развитие методов прогнозирования депрессии на основе данных социальных сетей, предложенных в статье, является важным направлением, способным принести значительный вклад в области психологии, здравоохранения и информационных технологий.

The article explores the possibilities of applying semantic analysis of user posts on the social network VKontakte for monitoring and predicting depression. It emphasizes the seriousness of the depression issue, its negative impact on health and society, and the relevance of early diagnosis and assistance. The study also justifies the necessity and prospects of analyzing data from Russian-language social networks to prevent the development of depression among users. The article examines the analysis of textual data and the use of logistic regression to classify users based on the presence of depression. The study's results show high model accuracy using logistic regression, demonstrating the potential for automating the processes of identifying and supporting users suffering from depression in the online environment based on user information from social networks. The significance of this method is also highlighted, along with its practical usefulness for personalized interventions, its advantages, and its development prospects, including the use of neural network methods and the analysis of data dynamics. Despite the results achieved, there is a need for further work on the model, including the study of other machine learning methods and taking into account changes in the user’s mental state over time. The development of depression prediction methods based on social network data, as proposed in the article, is an important direction that can make a significant contribution to psychology, healthcare, and information technology.

 прогнозирование депрессия психическое расстройство логистическая регрессия классификация социальная сеть машинное обучение forecasting depression psychological disorder logistic regression classification social network machine learning Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Тарабакина Л.В. Эмоциональное здоровье подростка: риски и возможности. Москва: Московский педагогический государственный университет; 2017. 194 с. Richter T., Richter-Levin G., Okon-Singer H., Fishbain B. Machine Learning-Based Behavioral Diagnostic Tools for Depression: Advances, Challenges, and Future Directions. Journal of Personalized Medicine. 2021;11(10). https://doi.org/10.3390/jpm11100957 Rajkomar A., Oren E., Chen K. et al. Scalable and accurate deep learning with electronic health records. npj Digital Medicine. 2018;1(1). https://doi.org/10.1038/s41746-018-0029-1 Браницкий А.А., Шарма Я.Д., Котенко И.В., Федорченко Е.В., Красов А.В., Ушаков И.А. Определение психического состояния пользователей социальной сети Reddit на основе методов машинного обучения. Информационно-управляющие системы. 2022;(1):8–18. https://doi.org/10.31799/1684-8853-2022-1-8-18 Suhara Y., Xu Y., Pentland A.S. DeepMood: Forecasting Depressed Mood Based on Self-Reported Histories via Recurrent Neural Networks. In: WWW '17: Proceedings of the 26th International Conference on World Wide Web, 3-7 April 2017, Perth, Australia. Switzerland: International World Wide Web Conferences Steering Committee; 2017. P. 715–724. https://doi.org/10.1145/3038912.3052676 Каплун И.Г., Герасимов П.Е., Чучин В.В., Клюшников Н.В. Особенности коммуникативной компетентности студентов – активных пользователей социальных сетей. Скиф. Вопросы студенческой науки. 2022;(11):163–167. Govindasamy K.A., Palanichamy N. Depression Detection Using Machine Learning Techniques on Twitter Data. In: 2021 5th International Conference on Intelligent Computing and Control Systems (ICICCS), 6-8 May 2021, Madurai, India. IEEE; 2021. P. 960–966. https://doi.org/10.1109/ICICCS51141.2021.9432203 Ghosh S., Anwar T. Depression Intensity Estimation via Social Media: A Deep Learning Approach. IEEE Transactions on Computational Social Systems. 2021;8(6):1465–1474. https://doi.org/10.1109/TCSS.2021.3084154 Zogan H., Razzak I., Wang X. et al. Explainable depression detection with multi-aspect features using a hybrid deep learning model on social media. World Wide Web. 2022;25(1):281–304. https://doi.org/10.1007/s11280-021-00992-2 Shen G., Jia J., Nie L., Feng F., Zhang C., Hu T., Chua T.-S., Zhu W. Depression Detection via Harvesting Social Media: A Multimodal Dictionary Learning Solution. In: IJCAI'17: Proceedings of the 26th International Joint Conference on Artificial Intelligence, 19-25 August 2017, Melbourne, Australia. AAAI Press; 2017. P. 3838–3844. https://doi.org/10.24963/ijcai.2017/536 Углова А.Б., Низомутдинов Б.А. Анализ деструктивного контента телеграмм-каналов как фактора развития саморазрушающего поведения. International Journal of Open Information Technologies. 2022;10(11):81–86. Ковпак Д.В. Когнитивно-поведенческая терапия суицидального поведения. Вестник Московской международной академии. 2021;(2):55–63. Латынов В.В., Овсянникова В.В. Прогнозирование психологических характеристик человека на основании его цифровых следов. Психология. Журнал высшей школы экономики. 2020;17(1):166–180. https://doi.org/10.17323/1813-8918-2020-1-166-180

The authors declare that there are no conflicts of interest present.