psymarkers

Biblioteca de Python rápida y eficiente para extraer marcadores psicológicos y lingüísticos de textos. Está basada en literatura clínica y psicológica, y cuantifica patrones del lenguaje comúnmente asociados con estados de depresión, ansiedad, rumiación cognitiva o ideación suicida.

Instalación

Puedes instalar la biblioteca directamente desde PyPi:

pip install psymarkers

Nota: Requiere la descarga previa de los recursos léxicos de nltk si no los tienes en tu entorno. Puedes descargarlos todos automáticamente usando la función download_nltk_resources, integrada en la biblioteca:

import nltk

from psymarkers.resources import download_nltk_resources

download_nltk_resources()
nltk.download('punkt')
nltk.download('punkt_tab')
nltk.download('vader_lexicon')
nltk.download('averaged_perceptron_tagger_eng')

Nota: Los léxicos NRC son de uso exclusivamente no comercial (investigación o educación), por lo que no se distribuyen con la biblioteca. Para usar los indicadores que dependen de ellos, descárgalos desde la web de sus autores (EmoLex y VAD v1) e indica su ruta en las variables de entorno PSYMARKERS_NRC_EMOLEX (fichero NRC-Emotion-Lexicon/NRC-Emotion-Lexicon-Wordlevel-v0.92.txt del zip) y PSYMARKERS_NRC_VAD (fichero NRC-VAD-Lexicon/NRC-VAD-Lexicon.txt del zip de la v1, no el de la carpeta BipolarScale).

Indicadores disponibles

Los indicadores actuales incluyen:

• absolutist_ratio: Proporción de palabras absolutistas (always, never, completely), marcador de ansiedad y depresión. Source: In an Absolute State: Elevated Use of Absolutist Words Is a Marker Specific to Anxiety, Depression, and Suicidal Ideation.
• pronouns_ratio: Proporción de pronombres singulares de primera persona (I, me, my), asociado a focalización en uno mismo. Source: A meta-analysis of correlations between depression and first person singular pronoun use
• pronouns_plural_ratio: Proporción de pronombres plurales (we, us). Su disminución es un indicador de aislamiento social. Source: Language use of depressed and depression-vulnerable college students.
• somatic_ratio: Uso de palabras relacionadas con el cuerpo, dolor y fatiga. Source: Somatic symptoms in depression.
• hopelessness_ratio: Proporción de léxico que expresa desesperanza y falta de futuro. Source: Hopelessness and eventual suicide: a 10-year prospective study of patients hospitalized with suicidal ideation.
• negative_sentiment / compound_sentiment: Valencia emocional negativa y polaridad afectiva general (mediante VADER). Sources: Facebook language predicts depression in medical records and Predicting depression via social media resp.
• type_token_ratio: Diversidad léxica. Un ratio bajo indica vocabulario repetitivo (rumiación cognitiva). Source: The psychological meaning of words: LIWC and computerised text analysis methods.
• moving_average_type_token_ratio: Diversidad léxica (MATTR) independiente de la longitud del texto, calculada sobre ventanas de window palabras (10 por defecto); NaN si el texto es más corto que la ventana. Source: Cutting the Gordian Knot: The Moving-Average Type–Token Ratio (MATTR).
• fear_ratio / sadness_ratio / anger_ratio: Proporción de palabras asociadas a miedo, tristeza e ira según el NRC Emotion Lexicon (Crowdsourcing a Word–Emotion Association Lexicon). Sources: Sentiment Analysis of Suicide Notes: A Shared Task and An emotion and cognitive based analysis of mental health disorders from social media data.
• arousal_score / dominance_score: Activación y dominancia medias de las palabras según el NRC VAD Lexicon v1 (Obtaining Reliable Human Ratings of Valence, Arousal, and Dominance for 20,000 English Words). Source: Language and Mental Health: Measures of Emotion Dynamics from Text as Linguistic Biosocial Markers.
• temporal_myopia_index: Ratio de verbos en pasado frente a verbos modales futuros, indicando estrechamiento temporal o incapacidad de proyectarse al futuro. Source: Suicide as escape from self.
• readability_score: Nivel de legibilidad de Flesch-Kincaid. Textos muy desorganizados se asocian a deterioro cognitivo o psicosis. Source: Linguistic features identify Alzheimer’s disease in narrative speech.
• insomnia_post: Validador de metadatos que retorna 1.0 si el texto fue publicado en horario nocturno (2 AM - 5 AM). Source: The Mind After Midnight: Nocturnal Wakefulness, Behavioral Dysregulation, and Psychopathology.

Ejemplos de uso

Como pipeline en aprendizaje automático

Ya que (intentamos) que todos los indicadores compartan una interfaz común, se puede usar para crear vectores de características limpios y listos para entrenar modelos:

from psymarkers import markers

text = "I am completely exhausted and have no future."
date = "2023-10-27T03:15:00Z"

# 1. Define your feature extraction pipeline
metrics_pipeline = [
    markers.absolutist_ratio,
    markers.pronouns_ratio,
    markers.hopelessness_ratio,
    markers.negative_sentiment,
    markers.temporal_myopia_index,
    markers.type_token_ratio
]

# 2. Extract all features into a dictionary in a single pass
features = {
    metric.__name__: metric(text, date=date)
    for metric in metrics_pipeline
}

# 3. Do whatever you like with the data
print(features)

Licencia

Este proyecto está licenciado bajo los términos de la GNU General Public License v3.0 (GPLv3). Eres libre de usar, modificar y distribuir este software, siempre y cuando las obras derivadas se distribuyan bajo la misma licencia abierta. Para más información, por favor consulta el fichero LICENSE.