« Une analyse des états émotionnels a été conduite entre juin et septembre 2020 suite au confinement dû au Covid-19. La pandémie a pu provoquer du stress voire un traumatisme chez certains enfants. Pour tenter de capter ces états émotionnels de détresse, des psychiatres spécialisés dans le comportement des enfants ont demandé aux patients de dessiner ou de choisir une image décrivant au mieux leur perception du confinement. La diversité des images est grande.
L’objectif de ce papier est le suivant : prédire l’état émotionnel de l’enfant en fonction de l’image choisie ou du dessin créé.
D’une part, une approche non supervisée du problème est l’utilisation des couleurs observées sur les images via un modèle bayésien de mélange gaussien ou un modèle géométrique. Le modèle bayésien segmente les images par groupe. La distribution des groupes est connue. Une image est assignée à un groupe via un calcul probabiliste. L’objectif des statistiques bayésiennes est d’estimer la distribution a posteriori défini comme la distribution des paramètres contenus dans le modèle en fonction des données. Un modèle de mélange gaussien stipule que les observations proviennent de plusieurs gaussiennes, dont on veut estimer la densité.
Pour inférer sur ce type de modèle, la technique de Monte-Carlo par chaînes de Markov (MCMC) qui consiste à échantillonner dans la distribution à posteriori est souvent la plus utilisée. Pour notre part, nous allons utiliser une méthode plus moderne appelée inférence variationnelle, qui estime une densité dans une ensemble de famille de densité donné.
D’autre part, une approche supervisée du problème est l’utilisation de réseau de neurones convolutifs pour prédire directement le score de dépression selon les images. Bien que récent, ils sont capables de fournir de bonnes prédictions à partir d’images.
Le Chapitre 0 présente les données que nous avons à disposition et le Chapitre 1 établit les caractéristiques des enfants ayant fourni un dessin. Le Chapitre 2 fait l’étalage des différentes techniques d’apprentissage non supervisées. Quant au Chapitre 3, il décrit l’application des réseaux de neurones à la prédiction du score de dépression. »