moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2025.48.1.020 1810 Выявление признаков депрессии на основе пользовательских данных из социальных сетей с помощью нейронных сетей Detection of depression features with user data from social network using neural 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 10.26102/2310-6018/2025.48.1.020 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В статье рассматривается проблема выявления признаков депрессии на основе пользовательских данных из социальных сетей с применением методов машинного обучения и сетевого анализа. Исследование включает разработку модели выявления пользователей с признаками депрессии, которая основана на текстовом анализе их публикаций в социальных сетях, а также метаданных профилей в социальной сети. В качестве алгоритмов в исследовании были использованы нейронные сети, что позволило достичь высокой точности классификации. Графовый анализ, проведенный для анализа влияния пользователей с признаками депрессии, демонстрирует, что такие пользователи имеют низкую степень центральности и не образуют плотных кластеров, что свидетельствует об их социальной изоляции. Гипотеза о распространении депрессии через социальные связи не подтвердилась, что указывает на минимальное влияние депрессивных пользователей на окружающих. Результаты исследования могут быть полезны в целях разработки систем раннего выявления депрессии. Особое внимание уделено ограничениям работы – использованию данных только одной социальной сети и сложности обработки текстовых данных. В статье предложены перспективы дальнейших исследований, направленные на расширение методов анализа распространения депрессивного поведения в социальных сетях.

The article studies the problem of identifying signs of depression based on user data from social networks using machine learning methods and network analysis. The study includes the development of a model for detecting users with signs of depression, which relies on text analysis of their social network posts and profile metadata. Neural networks were used as algorithms in the study, showing high classification accuracy. Network analysis was implemented to examine the influence of users with signs of depression and it shows that such users have low centrality and do not form dense clusters, indicating their social isolation. The hypothesis of depression spreading through social connections was not confirmed, suggesting minimal impact of depressive users on others. The research results can be utilized to develop systems for early detection of depression. Special attention is given to the study's limitations, including the use of data from a single social network and the complexity of processing textual data. The article proposes directions for further research aimed at expanding methods for analyzing the spread of depressive behavior in social networks.

 прогнозирование депрессия психическое расстройство классификация социальная сеть машинное обучение нейронная сеть сетевой анализ forecasting depression psychological disorder classification social network machine learning neural network network analysis Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Moreno M.A., Jelenchick L.A., Egan K.G., Cox E., Young H., Gannon K.E., Becker T. Feeling bad on Facebook: depression disclosures by college students on a social networking site. Depression and Anxiety. 2011;28(6):447–455. https://doi.org/10.1002/da.20805 Rosenquist J.N., Fowler J.H., Christakis N.A. Social network determinants of depression. Molecular Psychiatry. 2011;16(3):273–281. https://doi.org/10.1038/mp.2010.13 Fowler J.H., Christakis N.A. Dynamic spread of happiness in a large social network: longitudinal analysis over 20 years in the Framingham Heart Study. BMJ. 2008;337. https://doi.org/10.1136/bmj.a2338 De Choudhury M., Counts S., Horvitz E. Predicting postpartum changes in emotion and behavior via social media. In: CHI '13: Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 27 April – 2 May 2013, Paris, France. New York: Association for Computing Machinery; 2013. pp. 3267–3276. https://doi.org/10.1145/2470654.2466447 Farruque N., Goebel R., Sivapalan S., Zaïane O.R. Depression symptoms modelling from social media text: an LLM driven semi-supervised learning approach. Language Resources and Evaluation. 2024;58:1013–1041. https://doi.org/10.1007/s10579-024-09720-4 Ambilwade R.P., Chitnis S. A Comprehensive Review of Depression Detection on Social Media. Empirical Economics Letters. 2024;23(2):69–81. https://doi.org/10.5281/zenodo.13369773 Bao E., Pérez A., Parapar J. Explainable depression symptom detection in social media. Health Information Science and Systems. 2024;12(1). https://doi.org/10.1007/s13755-024-00303-9 Tambling R.R., D’Aniello-Heyda C., Hynes K.C. Manifestations of Depression on Social Media: a Content Analysis of Twitter Posts. Journal of Technology in Behavioral Science. 2023;9:252–261. https://doi.org/10.1007/s41347-023-00327-0 Azem L., Alwani R.A., Lucas A., Alsaadi B., Njihia G., Bibi B., Alzubaidi M., Househ M. Social Media Use and Depression in Adolescents: A Scoping Review. Behavioral Sciences. 2023;13(6). https://doi.org/10.3390/bs13060475 Elmer T., Stadtfeld Ch. Depressive symptoms are associated with social isolation in face-to-face interaction networks. Scientific Reports. 2020;10. https://doi.org/10.1038/s41598-020-58297-9

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