The constant growth in the use and sharing of data on social networks has provided opportunities to develop intelligent solutions for understanding different dimensions of human behavior online since users share social aspects, feelings, and opinions daily. In this way, several studies in Affective Computing have been conducted to recognize and predict emotional and indicative aspects of mental problems through the mining of complex data, such as texts, images, videos, and emoticons, available in social network posts. Depression is a common and growing health problem globally and is considered the third largest cause of incapacity for work, and the leading cause of emergency in health centers is characterized by the manifestation of a set of symptoms for at least two weeks. Symptoms can be compounded by profound sadness, guilt, loss of pleasure and mixed and atypical characteristics, which may be correlated to contexts and severely impact various social aspects. Although it is necessary to observe emotional characteristics over time, as it is known in the literature, studies have focused on classifying whether a given post is depressive and have not addressed the temporal recognition of mood manifestations and aspects of personality context. This Thesis aimed to answer "how to recognize temporal patterns of behavior of depressive users in online social networks?" In this way, an approach for the temporal recognition of behavioral patterns of depressed users on social networks is presented, composed of two methodologies that allow (i) the temporal evaluation of the behavioral patterns of user interactions in groups combining modeling and metrics of complex networks and recognition of emotions and feelings, and (i) sequential recognition of the patterns of behavior of individual depressive users, through the mining of frequent patterns of emotional and contextual characteristics. Information from posts and comments was used in both methodologies, composed of texts and emoticons present in the users timeline. Through complex network measures and frequent pattern recognition, the approach was evaluated, indicating to recognize strong patterns of interactional, emotional, and contextual behaviors online over time, which serve as indicative for human behavior specialists and are based on evidence in the literature.

O constante crescimento de uso e compartilhamento de dados em redes sociais tem fornecido oportunidades de desenvolvimento de soluções inteligentes para a compreensão de dimensões do comportamento humano online, uma vez que usuários compartilham aspectos sociais, sentimentos e opiniões diariamente. Deste modo, diversos estudos em Computação Afetiva têm sido conduzidos em busca de reconhecer e predizer aspectos emocionais e indicativos de problemas mentais, por meio de mineração de dados complexos, como textos, imagens, vídeos e emoticons, disponibilizados nas postagens de redes sociais. A depressão é um problema comum e crescente de saúde no mundo, sendo considerada a terceira maior causa de incapacidade para o trabalho e a principal causa de emergência nos centros de saúde, caracterizada pela manifestação de um conjunto de sintomas por pelo menos duas semanas. Os sintomas podem ser compostos por profunda tristeza, sentimento de culpa, perda de prazer e características mistas e atípicas, correlacionar à contextos e impactar severamente diversos aspectos sociais. Embora seja necessário a observação de características emocionais ao longo do tempo, pelo que é conhecido na literatura, os estudos tem focado em classificar se uma determinada postagem é depressiva e não têm endereçado o reconhecimento temporal das manifestações de humor, bem como aspectos de personalidade ou contexto. Com isso, esta Tese teve por objetivo responder como reconhecer padrões temporais de comportamento de usuários depressivos em redes sociais online? Desta forma, apresenta-se uma abordagem para reconhecimento temporal de padrões de comportamento de usuários depressivos em redes sociais, composta por duas metodologias que permitem (i) a avaliação temporal dos padrões de comportamentos de interações dos usuários em grupo combinando modelagem e métricas de redes complexas e reconhecimento de emoções e sentimentos, e (i) reconhecimento sequencial dos padrões de comportamento dos usuários depressivos individualmente, por meio da minerações de padrões frequentes das características emocionais e de contexto. Em ambas, utilizou-se informações de postagens e comentários, compostos por textos e emoticons presentes na timeline do usuário. A abordagem foi avaliada por meio de métricas de rede complexas e reconhecimento de padrões frequentes, indicando reconhecer fortes padrões de comportamentos interacional, emocional e de contexto online ao longo do tempo, que servem como indicativos para especialistas do comportamento humano e são pautados em evidências na literatura.