RUDN Journal of Psychology and PedagogicsRUDN Journal of Psychology and PedagogicsВестник Российского университета дружбы народов. Серия: Психология и педагогика2313-16832313-1705Peoples’ Friendship University of Russia named after Patrice Lumumba (RUDN University)4637310.22363/2313-1683-2025-22-1-123-143UCTISSPERSONALITY AND DIGITAL TECHNOLOGIES: OPPORTUNITIES AND CHALLENGESЛИЧНОСТЬ И ЦИФРОВЫЕ ТЕХНОЛОГИИ: ВОЗМОЖНОСТИ И РИСКИResearch ArticleThe Problem of Identifying Text Markers of Depression and Depressiveness in Automatic Text AnalysisПроблема выделения текстовых маркеров депрессии / депрессивности при автоматическом анализе текстаhttps://orcid.org/0000-0002-6207-86936989-9498NikitinaElena N.НикитинаЕлена Николаевна

PhD in Philology, Senior Researcher

кандидат филологических наук, старший научный сотрудник

yelenon@mail.ruhttps://orcid.org/0000-0003-0705-58321916-7298StankevichMaksim A.СтанкевичМаксим Алексеевич

Junior Researcher

младший научный сотрудник

stankevich@isa.ruhttps://orcid.org/0000-0001-9306-12803421-2959ChudovaNatalia V.ЧудоваНаталья Владимировна

PhD in Psychology, Senior Researcher

кандидат психологических наук, старший научный сотрудник

nchudova@gmail.comFederal Research Center “Computer Science and Control” of the Russian Academy of SciencesФедеральный исследовательский центр «Информатика и управление» Российской академии наук10102025221VOL 22, NO1 (2025)ТОМ 22, №1 (2025)12314310102025Copyright ©; 2025, Nikitina E.N., Stankevich M.A., Chudova N.V.Copyright ©; 2025, Никитина Е.Н., Станкевич М.А., Чудова Н.В.2025Nikitina E.N., Stankevich M.A., Chudova N.V.Никитина Е.Н., Станкевич М.А., Чудова Н.В.https://creativecommons.org/licenses/by-nc/4.0https://journals.rudn.ru/psychology-pedagogics/article/view/46373

The paper examines the interdisciplinary topic of the possibility of determining the psychological characteristics of authors from their texts, which may be useful for artificial intelligence methods. The aim of the study was to identify textual markers of depression and depressiveness. For this purpose, a study of two corpora of texts was carried out using a linguistic analyzer developed at the Federal Research Center “Computer Science and Control” of the Russian Academy of Sciences (FRC CSC RAS). One corpus consisted of 557 essays written by patients with clinical depression ( N = 110) and healthy subjects ( N = 447), and the other was formed by 224 social media posts written by people with high (89) and low (135) scores of depressiveness on the Beck Depression Inventory (BDI). In total, data on 108 text parameters were obtained for both corpora. The authors identified textual features common and specific to the texts of the depressed patients and the texts of those with a high level of depressiveness according to the questionnaire data, and provided their psychological and linguistic interpretations. At the same time, not only lexical features were taken into account, but also grammatical ones (in the broad sense), such as parts of speech, morphemes, grammemes, locative, temporal and causal noun phrases, indicators of text segmentation and text coherence, etc. Based on the results of the analyses, three complex indicators of depression were proposed, including a number of specific psycholinguistic, linguistic and psychological markers. For the texts of the subjects with signs of depression according to the BDI, markers were selected from social media messages, which were combined into two complex indicators. They are proposed to be considered in mass surveys as indicators of dissatisfaction (hostility) rather than depression. The authors also discuss the theoretically and experimentally identified problem of identifying text markers of depression and formulate proposals on the methodology of using AI tools in network psychodiagnostics.

Работа посвящена актуальной междисциплинарной проблеме возмож ности выявления в текстах признаков депрессии. Цель исследования - определение тех параметров текста, которые могут при автоматическом анализе служить маркерами депресс ии / депрессивности. Исследование двух корпусов текстов: эссе, написанных пациентами с депрессией и здоровыми испытуемыми, и постов в социальных сетях, написанных людьми с высокими и низкими показателями депрессивности по шкале Бека, - проводилось с помощью инструмента автоматического анализа текста TITANIS, разработанного в ФИЦ ИУ РАН. Получены данные анализа по 108 параметрам 557 текстов эссе (полученных от 110 пациентов с депрессией, и 447 здоровых испытуемых) и 224 текстов постов в социальных сетях (полученных от 89 испытуемых с признаками депрессивного состояния и 135 испытуемых без признаков депрессивности). Выявлены текстовые особенности, общие и специфичные для текстов больных депрессией и текстов людей с высокими показателями депрессивности по опроснику, представлена их психологическая интерпретация. Проведен лингвистический анализ специфики «депрессивного текста» в группе больных депрессией и в группе «депрессивных» по данным опросника. Показана роль не только частотно-лексических, но и грамматических в широком смысле признаков текста (части речи, морфемы, граммемы, именные синтаксемы, признаки связности, членимость текста и др.). По результатам анализа предложены три комплексных показателя депрессии, включающих в себя ряд частных психолингвистических, лингвистических и психологических маркеров. Для текстов людей, имеющих признаки депрессивности по шкале Бека, выделены маркеры постов в соцсетях, объединяющиеся в два комплексных показателя; предложено рассматривать их в массовых обследованиях как показатели недовольства (враждебности), а не депрессии. Сделаны выводы по проблемам выделения текстовых маркеров депрессии и сформулированы предложения по вопросам методологии использования средств автоматического анализа текста в сетевой психодиагностике.

depressiondepressivenesstext markersautomatic text analysismachine learningsocial networksдепрессиядепрессивностьтекстовые маркерыавтоматический анализ текстамашинное обучениесоциальные сетиDevyatkin, D. (2019). Extraction of cognitive operations from scientific texts. Communications in Computer and Information Science, 1093, 189–200. https://doi.org/10.1007/978-3-030-30763-9_16Григорьев О.Г., Кузнецова Ю.М., Никитина Е.Н., Смирнов И.В., Чудова Н.В. Каузативно-эмотивный анализ. Часть I : Методика изучения эмоциональных реакций пользователей социальных сетей // Психологический журнал. 2022. Т. 43. № 3. С. 114–121. https://doi.org/10.31857/S020595920020501-7 EDN: CDCABFDevyatkin, D., Chudova, N., Chuganskaya, A., & Sharypina, D. (2021). Methods for recognition of frustration-derived reactions on social media. Lecture Notes in Computer Science, 12948 LNAI, 17–30. https://doi.org/10.1007/978-3-030-86855-0_2Девяткин Д.А., Ениколопов С.Н., Салимовский В.А., Чудова Н.В. Речевые реакции на фрустрацию: автоматическая категоризация // Психологические исследования. 2021. Т. 14. № 78. https://doi.org/10.54359/ps.v14i78.160 EDN: NZDKDODevyatkin, D., Enikolopov, S., Salimovsky, V., & Chudova, N. (2021). Speech reactions to frustration: automatic categorization. Psychological Studies, 14(78). (In Russ.). https://doi.org/10.54359/ps.v14i78.160Ениколопов С., Чудова Н. Проблема проявлений враждебной установки // Психологические исследования. 2017. Т. 10. № 54. https://doi.org/10.54359/ps.v10i54.360Enikolopov, S., & Chudova, N. (2017). The problem of a hostile attitude. Psychological Stu­dies, 10(54). (In Russ.). https://doi.org/10.54359/ps.v10i54.360Ениколопов С.Н., Ковалёв А.К., Кузнецова Ю.М., Старостина Е.В., Чудова Н.В. Признаки, характерные для текстов, написанных в состоянии фрустрации // Вестник Московского университета. Серия 14. Психология. 2019. №. 3 С. 66-85. https://doi.org/10.11621/vsp.2019.03.66 EDN: XDBMYJEnikolopov, S.N., Kovalev, A.K., Kiznetsova, J.M., Chudova, N.V., & Starostina, E.V. (2019). Features of texts written by a frustrated person. Moscow University Psychology Bulletin, (3), 66–85. (In Russ.). http://doi.org/10.11621/vsp.2019.03.66Ениколопов С.Н., Кузнецова Ю.М., Осипов Г.С., Смирнов И.В., Чудова Н.В. Метод реляционно-ситуационного анализа текста в психологических исследованиях // Психология. Журнал Высшей школы экономики. 2021. Т. 18. № 4. С. 748-769. http://doi.org/10.17323/1813-8918-2021-4-748-769 EDN: KKDCTTEnikolopov, S.N., Kuznetsova, Y.M., Osipov, G.S., Smirnov, I.V., & Chudova, N.V. (2021). The method of relational-situational analysis of text in psychological research. Psychology. Journal of the Higher School of Economics, 18(4), 748–769. (In Russ.). http://doi.org/10.17323/1813-8918-2021-4-748-769Золотова Г.А. Синтаксический словарь : Репертуар элементарных единиц русского синтаксиса / отв. ред. Ю.Н. Караулов. Москва : Наука, 1988. 439 с.Gong, Y., & Poellabauer, C. (2017). Topic modeling based multi-modal depression detection. In Proceedings of the 7th Annual Workshop on Audio/Visual emotion challenge (AVEC ‘17) (pp. 69–76). NY: Association for Computing Machinery. https://doi.org/10.1145/3133944.3133945Ковалёв А.К., Кузнецова Ю.М., Минин А.Н., Пенкина М.Ю., Смирнов И.В., Станкевич М.А., Чудова Н.В. Методы выявления по тексту психологических характеристик автора (на примере агрессивности) // Вопросы кибербезопасности. 2019. № 4 (32). С. 72-79. https://doi.org/10.21681/2311-3456-2019-4-72-79 EDN: DYMSAUGrigoriev, O., Kuznetsova, Y., Nikitina, E., Smirnov, I., & Chudova, N. (2022). Ca­usative-Emotive Analysis. Part I. Emotional reactions of social networks users research. Psikhologicheskii Zhurnal, 43(3), 114–121. (In Russ.). https://doi.org/10.31857/S020595920020501-7Кузнецова Ю.М. Опыт применения тематических групп слов как средства компьютерного анализа текстов // Безопасность: Информация, Техника, Управление : сборник избранных статей по материалам Международной научной конференции. Санкт-Петербург : НАЦРАЗВИТИЕ, 2020. С. 28-36. https://doi.org/10.37539/SITB294.2020.37.95.003 EDN: FABJYRIgnatiev, N., Smirnov, I. V., & Stankevich, M. (2022). Predicting depression with text, image, and profile data from social media. In Proceedings of the 11th International Conference on Pattern Recognition Applications and Methods - ICPRAM (pp. 753–760). SciTePress. https://doi.org/10.5220/0010986100003122Левин К. Динамическая психология : избранные труды. Москва : Смысл, 2001. 572 с.Islam, M. R., Kabir, M. A., Ahmed, A., Kamal, A. R. M., Wang, H., & Ulhaq, A. (2018). Depression detection from social network data using machine learning techniques. Health Information Science and Systems, 6, 8. https://doi.org/10.1007/s13755-018-0046-0Литвинова Т.А., Литвинова О.А. Идентификация и диагностирование личности автора письменного текста. Воронеж : Воронежский государственный педагогический университет, 2015. 332 с. EDN: YTAXFLKovalev, A.K., Kuznetsova, Y.M., Minin, A.N., Penkina, M.Y., Smirnov, I.V., Stankevich, M.A., & Chudova, N.V. (2019). Text analysis approach for identifying psychological characteristics (with aggressiveness as an example). Voprosy kiberbezopasnosti–Cybersecurity Issues, 4(32), 72–79 (in Russ.). https://doi.org/10.21681/2311-3456-2019-4-72-79Литвинова Т. А., Бирюкова Е.Д., Загоровская О.В. Диагностирование пола, возраста и психологических характеристик автора письменного текста с использованием методов корпусной и компьютерной лингвистики: возможности и ограничения // Вопросы криминологии, криминалистики и судебной экспертизы. 2021. № 1. С. 105–111. EDN: JVTTCWKuznetsova, Y.M. (2020). A trial of the thematic groups of words for text mining. In Security: Information, Technology, Behavior (pp. 28–36). St. Petersburg: “NATSRZAVITIE” Publ. (In Russ.). https://doi.org/10.37539/SITB294.2020.37.95.003Никитина Е.Н., Онипенко Н.К. Когнитивно-лингвистическая интерпретация результатов автоматического анализа текстов психически больных // Искусственный интеллект и принятие решений. 2019. Т. 1. № 3. С. 60–69. https://doi.org/10.14357/20718594190307 EDN: EGPAAJLevin, K. (2001). Dynamic psychology: Selected works. Moscow: Smysl Publ. (In Russ.).Никитина Е.Н., Онипенко Н.К. Синтаксис и семантика эмотивных глаголов (к проблеме лингвистической интерпретации текстов, написанных авторами с психическими расстройствами) // Вестник Томского университета. 2022. Филология. № 79. С. 109–130. https://doi.org/10.17223/19986645/79/6 EDN: ZWVCPELitvinova, T. A., & Litvinova, O. A. (2015). Identification and diagnosis of the personality of the author of a written text. Voronezh: Voronezh State Pedagogical University Publ. (In Russ.).Осипов Г.С., Смирнов И.В., Тихомиров И.А. Реляционно-ситуационный метод поиска и анализа текстов и его приложения // Искусственный интеллект и принятие решений. 2008. № 2. С. 3–10. EDN: JYAFSDLitvinova, T.A., Biryukova, E.D., & Zagorovskaya, O.V. (2021). Predicting gender, age and psychological characteristics of the author of a written text using corpus and computer linguistics methods: possibilities and limitations. Issues of Criminology, Criminalistics and Forensic Examination, (1), 105–111. (In Russ.).Петраевский В.А., Кравец А.Г. Метод интеллектуального анализа текстовой информации для психиатрической диагностики // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2024. № 2. С. 95–104. https://doi.org/10.24143/2072-9502-2024-2-95-104 EDN: JCMQGRMoreno, J. D., Martinez-Huertas, J. A., Olmos, R., Jorge-Botana, G., & Botella, J. (2021). Can personality traits be measured analyzing written language? A meta-analytic study on computational methods. Personality and Individual Differences, 177, 110818. https://doi.org/10.1016/j.paid.2021.110818Смирнов И.В. Интеллектуальный анализ текстов на основе методов разноуровневой обработки естественного языка. Москва : ФИЦ ИУ РАН, 2023. 356 с. EDN: VCDQEWNikitina, E.N., & Onipenko, N.K. (2019). A cognitive linguistic interpretation of statistical analysis results based on texts by persons with mental disorder. Artificial Intelligence and Decision Making, 1(3), 60–69. (In Russ.). https://doi.org/10.14357/20718594190307Солохов Т.Д., Кочкаров А.А. Прогнозирование депрессии на основе пользовательских данных русскоязычной социальной сети // Моделирование, оптимизация и информационные технологии. 2024. Т. 12. № 2. https://doi.org/10.26102/2310-6018/2024.45.2.016 EDN: HIPMUDNikitina, E.N., & Onipenko, N.K. (2022). On linguistic component in a psycholinguistic research (based on the material of psych verbs in texts by persons with mental disorders). Tomsk State University Journal of Philology (79), 109–130. (In Russ.) http://dx.doi.org/10.17223/19986645/79/6Шалилех С., Копцева А.О., Шишковская Т.И., Худякова М.В., Драгой О.В. Диагностика тяжести симптомов депрессии при помощи объяснимого искусственного интеллекта // Доклады Российской академии наук. Математика, информатика, процессы управления. 2023. Т. 514. № 2. С. 242–249. https://doi.org/10.31857/S26869543236009 EDN: GOCKCKOrabi, A.H., Buddhitha, P., Orabi, M.H., & Inkpen, D. (2018, June). Deep learning for depression detection of twitter users. In Proceedings of the Fifth Workshop on Computational Linguistics and Clinical Psychology: From Keyboard to Clinic (pp. 88–97). New Orleans, LA.: Association for Computational Linguistics. https://doi.org/10.18653/v1/W18-0609Devyatkin D. Extraction of cognitive operations from scientific texts // Communications in Computer and Information Science. 2019. Vol. 1093. P. 189–200. https://doi.org/10.1007/978-3-030-30763-9_16 EDN: ZPRKDQOsipov, G.S., Smirnov, I.V., & Tikhomirov, I.A. (2008). Relational-situational method of search and analysis of texts and its applications. Artificial Intelligence and Decision Making, (2), 3–10 (In Russ.).Devyatkin D., Chudova N., Chuganskaya A., Sharypina D. Methods for recognition of frustration-derived reactions on social media // Lecture Notes in Computer Science. 2021. Vol. 12948 LNAI. P. 17-30. https://doi.org/10.1007/978-3-030-86855-0_2 EDN: OSDDAHPetraevskiy, V.A., & Kravets, A.G. (2024). The textual information intellectual analysis method for psychiatric diagnosis. Vestnik of Astrakhan State Technical University. Series: Management, Computer Science and Informatics, (2), 95–104. (In Russ.). https://doi.org/10.24143/2072-9502-2024-2-95-104Gong Y., Poellabauer C. Topic modeling based multi-modal depression detection // Proceedings of the 7th Annual Workshop on Audio/Visual emotion challenge (AVEC ‘17). NY : Association for Computing Machinery, 2017. Р. 69–76. https://doi.org/10.1145/3133944.3133945Shalileh, S.A., Koptseva, A.O., Shishkovskaya, T.I., Khudyakova, M.V., & Dragoy, O.V. (2023). An explained artificial intelligence-based solution to identify depression severity symptoms using acoustic features. Doklady Rossiiskoj Akademii Nauk. Matematika, Informatika, Processy Upravleniya, 514(2), 242–249. (In Russ.) https://doi.org/10.31857/S26869543236009Ignatiev N., Smirnov I., Stankevich M. Predicting depression with text, image, and profile data from social media // Proceedings of the 11th International Conference on Pattern Recognition Applications and Methods – ICPRAM. SciTePress, 2022. P. 753-760. https://doi.org/10.5220/0010986100003122Smirnov, I. V. (2023). Intelligent text analysis based on multi-level natural language processing methods. Moscow: FRC CSC RAS. (In Russ.).Islam M.R., Kabir M. A., Ahmed A., Kamal A. R. M., Wang H., Ulhaq A. Depression detection from social network data using machine learning techniques // Health Information Science and Systems. 2018. Vol. 6. Article 8. https://doi.org/10.1007/s13755-018-0046-0 EDN: ANHIXDSmirnov, I., Stankevich, M., Kuznetsova, Y., Suvorova, M., Larionov, D., Nikitina, E., & Grigoriev, O. (2021). TITANIS: A tool for intelligent text analysis in social media. Lecture Notes in Computer Science, 12948 LNAI, 232–247. https://doi.org/10.1007/978-3-030-86855-0_16Moreno J.D., Martinez-Huertas J.A., Olmos R., Jorge-Botana G., Botella J. Can personality traits be measured analyzing written language? A meta-analytic study on computational methods // Personality and Individual Differences. 2021. Vol. 177. Article 110818. https://doi.org/10.1016/j.paid.2021.110818 EDN: WADDNSSmirnov, I.V., Ushakova, A.V., & Chudova, N.V. (2020). Method for detecting text markers of depression and depressiveness. Lecture Notes in Computer Science, 12412 LNAI, 325–337. https://doi.org/10.1007/978-3-030-59535-7_24Orabi A.H., Buddhitha P., Orabi M. H., Inkpen D. Deep learning for depression detection of twitter users // Proceedings of the Fifth Workshop on Computational Linguistics and Clinical Psychology: From Keyboard to Clinic. New Orleans, LA : Association for Computational Linguistics, 2018. P. 88-97. https://doi.org/10.18653/v1/W18-0609Solokhov, T.D., & Kochkarov A.A. (2024). Forecasting the depression with user data from Russian language social network. Modeling, Optimization and Information Technology, 12(2). (In Russ.). https://doi.org/10.26102/2310-6018/2024.45.2.016Smirnov I. V., Ushakova A. V., Chudova N. V. Method for detecting text markers of depression and depressiveness // Lecture Notes in Computer Science. 2020. Vol. 12412 LNAI. P. 325–337. https://doi.org/10.1007/978-3- 030-59535-7_24 EDN: YIMANPStankevich, M.A., Kuznetsova, Y.M., Smirnov, I.V., Kiselnikova, N.V., & Enikolopov, S.N. (2019). Predicting depression from essays in Russian. Computational Linguistics and Intellectual Technologies, 18(25), 637–647.Smirnov I., Stankevich M., Kuznetsova Y., Suvorova M., Larionov D., Nikitina E., Grigoriev O., Savelov M. TITANIS: A tool for intelligent text analysis in social media // Lecture Notes in Computer Science. 2021. Vol. 12948 LNAI. P. 232-247. https://doi.org/10.1007/978-3-030-86855-0_16 EDN: DQVODNTausczik, Y.R., & Pennebaker, J.W. (2010). The psychological meaning of words: LIWC and computerized text analysis methods. Journal of language and social psychology, 29(1), 24–54. https://doi.org/10.1177/0261927X09351676Stankevich M., Kuznetsova Y., Smirnov I., Kiselnikova N., Enikolopov S. Predicting depression from essays in Russian // Computational Linguistics and Intellectual Technologies. 2019. Vol. 18. No. 25. P. 637-647. EDN: LQTSTXZolotova, G.A. (1988). Syntactic dictionary: Repertoire of elementary units of Russian syntax. Moscow: Nauka Publ. (In Russ.)Tausczik Y. R., Pennebaker J. W. The psychological meaning of words: LIWC and compute­rized text analysis methods // Journal of Language and Social Psychology. 2010. Vol. 29. No. 1. P. 24-54. https://doi.org/10.1177/0261927X09351676