論文の概要、ライセンス

# (参考訳) 小児・青年精神科における計算行動認識:統計的・機械学習分析計画 [全文訳有]

Computational behavior recognition in child and adolescent psychiatry: A statistical and machine learning analysis plan ( http://arxiv.org/abs/2205.05737v1 )

ライセンス: CC BY 4.0
Nicole N. L{\o}nfeldt, Flavia D. Frumosu, A.-R. Cecilie Mora-Jensen, Nicklas Leander Lund, Sneha Das, A. Katrine Pagsberg, Line K. H. Clemmensen(参考訳) モチベーション: 行動観察は心理的現象の研究と評価において重要な資源であるが、費用がかかり、時間がかかり、バイアスに敏感である。 そこで我々は,人工知能(AI)ツールを用いた心理療法と研究のために,人間の行動のコーディングを自動化することを目的とする。 ここでは,分析計画を提案する。 方法: 強迫性障害(ocd)25名, 精神診断(no-ocd)のない12名を対象に, 金本位制半構造化診断面接のビデオ分析を行う。 年齢は8歳から17歳。 ビデオから特徴を抽出し、行動の評価を計算し、特定の行動コーディングマニュアルを使用するように訓練されたメンタルヘルスの専門家が作成した行動の評価と比較する。 我々は多変量分散分析(manova)を用いてocd診断が計算から派生した行動評価に及ぼす影響をテストする。 生成された機能を使ってバイナリ分類モデルを構築し、OCD/no-OCDクラスを分類する。 考察:ここでは,データの事前処理,分析,および結果の公開とその解釈に関する事前定義された計画を示す。 提案された研究の課題は、AIアプローチが視覚のみに基づく行動評価を導き出そうとするのに対して、人間は行動を評価するために視覚的、パラ言語的、言語的手がかりを使用することである。 もうひとつの課題は、子供ではなく主に大人に訓練された身体および顔の動きの検出に機械学習モデルを使用することだ。 もしaiツールが有望な結果を示すなら、この事前登録分析計画は解釈バイアスを減らすのに役立つかもしれない。 治験登録:臨床試験.gov - h-18010607

Motivation: Behavioral observations are an important resource in the study and evaluation of psychological phenomena, but it is costly, time-consuming, and susceptible to bias. Thus, we aim to automate coding of human behavior for use in psychotherapy and research with the help of artificial intelligence (AI) tools. Here, we present an analysis plan. Methods: Videos of a gold-standard semi-structured diagnostic interview of 25 youth with obsessive-compulsive disorder (OCD) and 12 youth without a psychiatric diagnosis (no-OCD) will be analyzed. Youth were between 8 and 17 years old. Features from the videos will be extracted and used to compute ratings of behavior, which will be compared to ratings of behavior produced by mental health professionals trained to use a specific behavioral coding manual. We will test the effect of OCD diagnosis on the computationally-deri ved behavior ratings using multivariate analysis of variance (MANOVA). Using the generated features, a binary classification model will be built and used to classify OCD/no-OCD classes. Discussion: Here, we present a pre-defined plan for how data will be pre-processed, analyzed and presented in the publication of results and their interpretation. A challenge for the proposed study is that the AI approach will attempt to derive behavioral ratings based solely on vision, whereas humans use visual, paralinguistic and linguistic cues to rate behavior. Another challenge will be using machine learning models for body and facial movement detection trained primarily on adults and not on children. If the AI tools show promising results, this pre-registered analysis plan may help reduce interpretation bias. Trial registration: ClinicalTrials.gov - H-18010607
公開日: Wed, 11 May 2022 19:12:15 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
COMPUTATIONAL BEHAVIOR RECOGNITION IN CHILD AND ADOLESCENT PSYCHIATRY : A STATISTICAL AND MACHINE 小児・青年精神科における計算行動認識 : 統計と機械 0.63
LEARNING ANALYSIS PLAN 2 2 0 2 学習分析プラン 2 2 0 2 0.52
y a M 1 1 y a m 1 1 である。 0.65
] V C . s c [ ] 略称はC。 sc [ 0.39
1 v 7 3 7 5 0 1 v 7 3 7 5 0 0.42
. 5 0 2 2 : v i X r a . 5 0 2 2 : v i X r a 0.42
Nicole N. Lønfeldt 1* Nicole N. Lønfeldt 1* 0.50
Flavia D. Frumosu 2* Flavia D. Frumosu 2* 0.50
A. -R. Cecilie Mora-Jensen 1 aだ -R。 Cecilie Mora-Jensen 1 0.47
Nicklas Leander Lund 2 nicklas leander lund 2(英語) 0.53
Sneha Das 2 A. Katrine Pagsberg 1, 3, 4 スネハダス2 A.Katrine Pagsberg 1, 3, 4 0.47
Line K. H. Clemmensen 2 K.H.クレメンセン2系統 0.60
ABSTRACT Motivation Behavioral observations are an important resource in the study and evaluation of psychological phenomena, but it is costly, time-consuming, and susceptible to bias. ABSTRACT モチベーション行動観察は心理的現象の研究と評価において重要な資源であるが、費用がかかり、時間がかかり、バイアスに敏感である。 0.58
Thus, we aim to automate coding of human behavior for use in psychotherapy and research with the help of artificial intelligence (AI) tools. そこで我々は,人工知能(AI)ツールを用いた心理療法と研究のために,人間の行動のコーディングを自動化することを目的とする。 0.78
Here, we present an analysis plan. ここでは,分析計画を提案する。 0.78
Methods Videos of a gold-standard semi-structured diagnostic interview of 25 youth with obsessive-compulsive disorder (OCD) and 12 youth without a psychiatric diagnosis (no-OCD) will be analyzed. 方法 強迫性障害 (OCD) を持つ25人の若者と, 精神科的診断 (no-OCD) を伴わない12人の青少年のゴールドスタンダード半構造化診断面接のビデオを分析する。
訳抜け防止モード: OCD(Ogold-Standard semi-Structured diagnosis interview of 25 young with obsessive-Comppulsiv e disorder) 精神科診断なしの12人の若者(No - OCD)が分析される。
0.77
Youth were between 8 and 17 years old. 年齢は8歳から17歳。 0.50
Features from the videos will be extracted and used to compute ratings of behavior, which will be compared to ratings of behavior produced by mental health professionals trained to use a specific behavioral coding manual. ビデオから特徴を抽出し、行動の評価を計算し、特定の行動コーディングマニュアルを使用するように訓練されたメンタルヘルスの専門家が作成した行動の評価と比較する。 0.79
We will test the effect of OCD diagnosis on the computationally-deri ved behavior ratings using multivariate analysis of variance (MANOVA). 我々は多変量分散分析(manova)を用いてocd診断が計算から派生した行動評価に及ぼす影響をテストする。 0.80
Using the generated features, a binary classification model will be built and used to classify OCD/no-OCD classes. 生成された機能を使ってバイナリ分類モデルを構築し、OCD/no-OCDクラスを分類する。 0.75
Discussion Here, we present a pre-defined plan for how data will be pre-processed, analyzed and presented in the publication of results and their interpretation. ここでは,データの事前処理,分析,提示を結果の公開と解釈で行うための,事前定義された計画を提案する。 0.77
A challenge for the proposed study is that the AI approach will attempt to derive behavioral ratings based solely on vision, whereas humans use visual, paralinguistic and linguistic cues to rate behavior. 提案された研究の課題は、AIアプローチが視覚のみに基づく行動評価を導き出そうとするのに対して、人間は行動を評価するために視覚的、パラ言語的、言語的手がかりを使用することである。 0.65
Another challenge will be using machine learning models for body and facial movement detection trained primarily on adults and not on children. もうひとつの課題は、子供ではなく主に大人に訓練された身体および顔の動きの検出に機械学習モデルを使用することだ。
訳抜け防止モード: もう1つの挑戦は 機械学習モデルを用いて 体と顔の動きを検出する 主に大人に 訓練された
0.76
If the AI tools show promising results, this pre-registered analysis plan may help reduce interpretation bias. もしaiツールが有望な結果を示すなら、この事前登録分析計画は解釈バイアスを減らすのに役立つかもしれない。 0.51
Trial registration: ClinicalTrials.gov - H-18010607 治験登録:臨床試験.gov - h-18010607 0.59
Keywords machine learning · visual signals from video data · human behavioral coding · children and adolescents · obsessive-compulsive disorder キーワード機械学習・ビデオデータからの視覚信号・人間の行動コーディング・子ども・青年・強迫性障害 0.79
Introduction Observations of human behavior comprise an important clinical and research tool within psychology and psychiatry. はじめに 人間の行動の観察は、心理学や精神医学において重要な臨床研究ツールである。 0.62
For example, motor unrest and slowness are symptoms of psychiatric disorders [2] [13]. 例えば、運動不安と遅さは精神疾患の症状である [2][13] である。 0.76
Facial expressions, eye contact, proximity, touch, and gaze provide information about mental states such as emotions, attention, and cognitive effort, as well as interpersonal processes such as alliance, affection, and reciprocity [4][8][9][12]. 顔の表情、接触、近接、触覚、視線は、感情、注意、認知といった精神状態に関する情報を提供するだけでなく、同盟、愛情、相互関係などの対人的プロセスも提供する[4][8][9][12]。 0.68
While behavioral coding bypasses the problem of self-report bias, disadvantages also exist. 行動符号化は自己報告バイアスの問題を回避するが、欠点もある。 0.56
Human behavioral coding is a costly, time-consuming task, and it is susceptible to other types of bias. 人間の行動コーディングは費用がかかる時間を要する作業であり、他の種類のバイアスに影響を受けやすい。 0.69
Thus, we aim to use AI tools that will reduce human labor as well as このようにして、人間の労力を削減できるAIツールの利用を目指す。 0.70
1Child and Adolescent Mental Health Center, Copenhagen University Hospital – Mental Health Services CPH, Hellerup, Denmark 2Department of Applied Mathematics and Computer Science, Technical University of Denmark, Kongens Lyngby, Denmark 3Department of Clinical Medicine, Faculty of Health and Medical Sciences, University of Copenhagen, Copenhagen, Denmark 4Department of Clinical Biochemistry, Hospital Glostrup - University Hospital, Glostrup, Denmark コペンハーゲン大学精神保健センター, コペンハーゲン大学病院, メンタルヘルスサービス CPH, ヘラーアップ, デンマーク2部, デンマーク工科大学, コンケンスリングビー, デンマーク3部, 臨床医学部, コペンハーゲン大学, コペンハーゲン大学, デンマーク4部, 臨床生化学部, 病院グローブラップ - 大学病院, グローストラップ, デンマーク 0.66
* Equal contributor, Correspondence: nicole.nadine.loenfe ldt@regionh.dk ※equal contributor, correspondence: nicole.nadine.loenfe ldt@regionh.dk 0.32
英語(論文から抽出)日本語訳スコア
LØNFELDT et al L'NFELDT et al 0.32
increase the speed and reliability of coding human behavior using landmark detection i.e., extracting features from videos. ランドマーク検出、すなわちビデオから特徴を抽出することで、人間の行動のコーディングのスピードと信頼性を高める。
訳抜け防止モード: スピードと信頼性を増す 映像から特徴を抽出する ランドマーク検出を使って 人間の行動をコーディングする
0.81
Methods Participants and setting A total of 37 participants between the ages of 8 and 17 years are included in this study. 方法 参加者と設定 本研究には8歳から17歳までの合計37人の参加者が含まれている。 0.64
Participants include 25 youth with OCD and 12 youth without a psychiatric diagnosis from an larger case-control study and randomized clinical trial – TECTO [14]. 対象者は, OCD25名, OCD12名の若年者で, より大きな症例対照研究とランダム化臨床試験から精神科診断を受けていない。 0.65
All participants were screened for psychiatric disorders by mental health professionals (psychologists, medical doctors with psychiatric training and graduate-level psychology students). 参加者は全員、精神科医(精神科医、精神科医、大学院レベルの心理学生)によって精神疾患のスクリーニングを受けた。 0.65
Diagnoses of patients were established by psychiatrists or specialized clinical psychologists. 患者の診断は精神科医や専門臨床心理学者が確立した。 0.66
Measures The Kiddie Schedule for Affective Disorders and Schizophrenia (K-SADS) is a semi-structured interview used to screen for previous and current psychiatric symptoms and diagnoses in children and adolescents between the ages of 6 and 18 [15]. 措置 The Kiddie Schedule for Affective Disorders and Schizophrenia (K-SADS)は、6歳から18歳までの小児および青年期における過去の精神症状と診断のスクリーニングに使用される半構造化インタビューである。 0.60
Diagnostic categories have a subscale of items. 診断カテゴリにはサブスケールの項目がある。 0.71
Items are scored on a 3-point scale (1 = symptom not present, 2 = subclinical, 3 = clinical). 項目は3点スケールでスコアされる(1 = symptom not present, 2 = subclinical, 3 = clinical)。 0.82
If an item is rated 3, guidelines instruct the interviewer to complete the relevant disorder supplement to establish whether the full criteria of a diagnosis has been met. 項目3が評価された場合、ガイドラインはインタビュアーに対して、関連する障害補充を完了させ、診断の完全な基準が満たされたかどうかを確認するよう指示する。
訳抜け防止モード: 項目が3に格付けされた場合、インタビュアーに指示するガイドライン 診断の完全な基準が満たされたかどうかを確立するための関連障害補足を完了させる。
0.76
Items can also be scored with zero to indicate that no information is available. 情報がないことを示すために、0でアイテムを採点することもできる。 0.72
Items are rated for parent and child responses. 項目は親子対応で評価される。 0.58
The total item score takes the parent and child response as well as the clinician’s expertise into account. 総項目スコアは、親と子供の反応だけでなく、臨床医の専門知識も考慮に入れます。 0.66
Before inclusion in TECTO, all participants and their parents were interviewed with the K-SADS interview. TECTOに参加する前に、すべての参加者とその両親はK-SADSインタビューにインタビューされた。 0.63
Here, we used the clinician’s total score for current symptoms. ここでは臨床医の総得点を現在の症状として用いた。 0.73
The scores from the depression and mania chapters were used to establish whether the video footage is of participants discussing current psychiatric symptoms. うつ病とマニアの章のスコアは、映像が現在の精神症状を議論する参加者のものであるかどうかを確認するために使用された。
訳抜け防止モード: うつ病とマニアの章のスコアは 現在の精神症状を議論する参加者のビデオ映像であるか否かを確定する。
0.60
Some participants scored 2 or 3 for the depression chapter, while all the participants scored 1 for the mania chapter. 一部の参加者はうつ病章に2ないし3点、全ての参加者はマニア章に1点を獲得した。 0.67
Video data source We will extract visual/motor features from videos of K-SADS interviews of children. ビデオデータソース 子どものk-sadsインタビューのビデオから視覚・運動機能を抽出する。 0.72
Figure 1 shows how videos were selected for this study. 図1は、この研究のためにビデオがどのように選択されたかを示しています。 0.46
TECTO aims to include about 30% fewer controls than patients and started including patients before controls. TECTOは、患者のコントロールを約30%削減し、コントロール前に患者を含めることを目指している。
訳抜け防止モード: TECTOは患者のコントロールを約30%減らす コントロールの前に 患者を含め始めた。
0.81
Therefore, there are more patient videos available than control videos. したがって、コントロールビデオよりも患者ビデオの方が多い。 0.77
Videos containing a depression and mania chapter were available for 64 participants. うつ病とマニアの章を含むビデオは64人が参加した。 0.70
The videos were initially recorded with the purpose of quality assurance and training of mental health professionals. ビデオは当初、メンタルヘルスの専門家の品質保証とトレーニングを目的として録音された。 0.62
As they were not filmed for video processing purposes, the data quality is not optimal. 映像処理のために撮影されなかったため、データ品質は最適ではない。 0.80
The videos are shot from different angles and contain a varying number of people in the frame. ビデオはさまざまな角度から撮影され、フレームにはさまざまな数の人が写っている。 0.79
Many videos are missing for several reasons. 多くのビデオはいくつかの理由で欠落している。 0.56
First, some patients did not consent to being filmed before being included in TECTO. まず、一部の患者はTECTOに入る前に撮影することに同意しなかった。 0.75
Second, many videos were discarded to follow data protection policies in the clinic before they could be moved to research folders. 第二に、多くのビデオは、研究フォルダーに移される前に、クリニックでデータ保護ポリシーに従うために廃棄された。 0.71
In total, 7 participants or 14 videos were removed due to missing data on clinical measures of interest, overexposure of the video or other technical problems. 参加者7名またはビデオ14名は、関心事、ビデオの露出過多、その他の技術的問題に関するデータ不足により削除された。 0.64
Videos of children who received a K-SADS score over one on the motor unrest item of the attention deficit hyperactivity chapter, the stereotyped/repetiti ve behavior item in the autism spectrum disorder chapter or the motor tic item were excluded to avoid videos that may include increased movements unrelated to outcomes of interest. 注意欠陥高活動章の運動不安項目、自閉症スペクトラム障害章のステレオタイプ/反復行動項目、または運動刺激項目のK-SADSスコアを1点以上受け取った子どものビデオは除外され、興味ある結果とは無関係な運動の増加を含む動画は避けられた。 0.76
In this initial work, we decided not to exclude children with vocal tics, attention deficits not problems with social reciprocity. 本研究では,声道障害児の社会的相互性に問題はなく,注意欠陥を排除しないことを決定した。 0.59
These symptoms may be rated correctly by humans and the computational models. これらの症状は人間や計算モデルによって正しく評価される。 0.76
Finally, it could be argued that we were not conservative enough and that other symptoms should also be removed. 最後に、我々は十分に保守的ではなく、他の症状も取り除くべきであると論じることもできる。
訳抜け防止モード: 最後に私たちは保守的ではなかったと 主張できますが 他の症状も取り除くべきです
0.71
For example, vocal tics may increase the vocalization scores, but vocalization should capture socially motivated speech and laughter. 例えば、声帯は発声スコアを増加させるが、発声は社会的に動機づけられたスピーチと笑いを捉えるべきである。
訳抜け防止モード: 例えば、発声は発声スコアを増加させる。 社会的に動機づけられたスピーチや笑いを 捉えるべきです
0.70
Other symptoms should be captured by behavioral codes. 他の症状は行動規範で捉えるべきである。 0.70
A lack of social reciprocity may result in decreased gaze, attention and positive affect, and attention deficits are expected to be reflected in lower attention codes. 社会的相互性の欠如は、視線、注意、ポジティブな影響が減少し、注意欠陥が低い注意基準に反映されることが期待される。 0.66
Nonetheless, this study is a first step and in future work we will test successful models in more symptom-diverse populations. いずれにせよ,本研究は第一歩であり,今後の研究において,より症状の異なる集団で成功したモデルをテストする。 0.62
The second author (CM) with expertise in psychopathology and conducting K-SADS interviews, identified the start and stop times of the depression and mania chapters of the K-SADS interview videos. 精神病理学とK-SADSインタビューの専門知識を持つ2人目の著者(CM)は、K-SADSインタビュービデオのうつ病とマニアの章の開始と停止時間を特定した。 0.64
Coding Interactive Behavior (CIB) adolescent version コーディング・インタラクティブ・ビヘイビア(CIB)青年版 0.64
The CIB is a global rating system for coding interactions between two partners on a scale from one to five, in which half-points also can be assigned (e g , 1.5 or 3.5) [3]. CIBは、2つのパートナ間のインタラクションを1から5のスケールでコーディングするためのグローバルなレーティングシステムであり、ハーフポイントを割り当てることもできる(例:1.5または3.5) [3]。 0.74
One indicates that the behavior is low in intensity, frequency, and duration or not present. 1つは、その行動が強度、頻度、持続時間において低いことを示します。 0.53
Five indicates that the behavior is high in intensity, frequency, and duration. 5は、その行動が強度、頻度、持続時間が高いことを示している。 0.59
Separate codes are assigned to the parent, child and the dyad as a unit. 分離されたコードは親子、子、ダイナドに単位として割り当てられる。 0.67
While the original coding system was developed for parent-child interactions, it has also been used for interactions between children and adults other than the children’s 元々のプログラミングシステムは親子間相互作用のために開発されたが、子供以外の大人との相互作用にも使われている。 0.73
2 2 0.42
英語(論文から抽出)日本語訳スコア
LØNFELDT et al L'NFELDT et al 0.32
Figure 1: Video selection for the study 図1:研究のためのビデオ選択 0.88
parents [10]. The adolescent version was designed for youth between the ages of 12 and 18, but many of the codes appear in versions developed for infancy to adolescence for continuity [8]. 両親[10] 青年版は、12歳から18歳までの若者向けに設計されたが、幼少期から青年期にかけての連続性のために発達したバージョンに多く見られる[8]。 0.66
Several individual codes can be averaged to represent theoretically meaningful constructs such as social engagement [8]. いくつかの個々のコードは、社会的関与のような理論的に有意義な構成を表すために平均化することができる [8]。 0.55
The manual recommends a minimum of three minutes of interaction for global scores and 10 second slices for micro-codes. このマニュアルでは、グローバルスコアとマイクロコードの10秒スライスに最低3分間のインタラクションを推奨している。 0.65
In this work, we sought to decrease human labor and machine processing time to test our method and thus, applied global scores to 30-second clips. そこで本研究では,人間の作業時間と機械処理時間を削減し,グローバルスコアを30秒のクリップに適用した。 0.73
We were careful to choose codes which involve behaviors or mental processes that could be observed in 30 second intervals and not complex codes that require more context. 私たちは、よりコンテキストを必要とする複雑なコードではなく、30秒間隔で観察できる行動やメンタルプロセスを含むコードを選択することに注意しました。 0.65
This study will focus on child behavior and thus, will only use child codes. 本研究は,子どもの行動に焦点をあて,児童コードのみを使用する。 0.81
We chose codes that are relevant for evaluating child engagement and emotional states. 子どものエンゲージメントや感情状態を評価するためのコードを選択しました。 0.68
These constructs are valuable in and of themselves, but we also believe they will contribute to assessing therapeutic alliance, parent-child synchrony, and child distress during exposure-based therapy in future work using other videos (Clinicaltrials.govH -18010607). これらの構造はそれ自体に価値はあるが、他のビデオ(Clinicaltrials.govH -18010607)を用いた露光療法における治療同盟、親子同期、児童の苦痛の評価にも貢献すると考えている。 0.65
We will use the following seven child codes, as they are relevant to interactions between children and mental health professionals: 子どもとメンタルヘルスの専門家の相互作用に関連があるため、以下の7つの子供コードを使用します。 0.72
1. Gaze - child’s eyes look in direction of the interviewer. 1. 視線 - 子どもの目はインタビュアーの方向を向いている。 0.67
2. Attention - child listens to the interviewer and responds to the interviewer in relevant ways. 2. 注意 - 子どもはインタビュアーに耳を傾け、関連する方法でインタビュアーに応答する。 0.69
3. Positive affect - verbal and nonverbal expressions that indicate the child is feeling relaxed and comfortable, 3.ポジティブな影響 - 子どもがリラックスして快適であることを示す言語的・非言語的表現。 0.70
including smiling, laughter, warm tone of voice and relaxed body posture. 笑顔、笑い、声の温かいトーン、リラックスした身体姿勢を含む。 0.80
4. Negative emotionality - verbal and nonverbal expressions of negative emotions (e g sadness and anger) 否定的感情性-否定的感情(例えば悲しみと怒り)の言語的・非言語的表現 0.71
including frowning, closed body posture (crossed arms), yelling, and crying. 顔をしかめ、閉じた体姿勢(腕を組んでいる)、叫び、泣き声など。 0.52
5. Vocalization - speech and other vocal noise produced with the goal of social interaction. 5. 音声化 -社会的相互作用を目標とした音声および他の音声ノイズ。 0.84
Frequent, consistent, and clear speech is scored high. 頻繁で一貫性のある 明瞭なスピーチは高く評価されます 0.60
6. Anxiety - overt signs of nervousness such as frequent looks to the camera or interviewer, enthusiasm that is incongruent with the context, long silences, actions such as pulling hair, fidgeting, nail biting, emotional lability, or statements expressing anxiety, fear or nervousness. 6.不安 - カメラやインタビュアーを頻繁に見るような緊張の兆候、長時間の沈黙、髪を引っ張る、フィジェットする、爪を噛む、感情的な不安定さ、不安、恐怖、緊張を表す言明など、状況に違和感のある熱狂。
訳抜け防止モード: 6.不安 - カメラやインタビュアーへの頻出など、緊張の過度な兆候。 文脈、長い沈黙、髪を引っ張るなどの行動に違和感を持つ熱意 不安、恐れ、または緊張を表現したフィゲティング、爪噛み、感情的不安定性、または言明。
0.72
7. Activity-level/arous al - level of expressed energy in the way the child talks and acts. 7. 活動レベル/覚醒-子どもの話し方や行動における表現エネルギーのレベル 0.86
Calm speech and movements receive a low score, whereas passionate, frantic or excited speech and activity receives a high score. カルムスピーチとムーブメントは低いスコアを受け取っているが、情熱的、熱狂的、興奮的なスピーチとアクティビティは高いスコアを受け取る。
訳抜け防止モード: 穏やかな話し方と動きは低いスコアを受け取り 情熱的、熱狂的、または興奮的なスピーチと活動は高いスコアを受ける。
0.66
Energetic speech can be marked by rapidity, loudness and excess. エネルギー的なスピーチは、迅速さ、大声さ、過剰さによって特徴付けられる。 0.49
Gaze, attention, positive affect, and vocalization can be combined into a composite score representative of child social engagement [8]. 視線、注意、ポジティブな感情、発声を組み合わせることで、子どもの社会的関与を表す複合スコアにすることができる [8]。 0.66
Human behavioral coding procedure 人間の行動コーディング手順 0.85
One of the first authors and the second author (NL and CM), a psychologist and medical doctor specializing in psychiatry, respectively, will code the videos. 第一著者の1人と第二著者の1人(nlとcm)は、それぞれ精神医学を専門とする心理学者、医師である。 0.67
The first author was certified by the developer of the CIB and subsequently trained 最初の著者はCIBの開発者によって認定され、その後訓練された 0.65
3 Total availablevideos: 64 x 2 = 128 videos(Participantsx Depression and Mania chapters)Removed = 54 videos:-Hyperactivit yor Tics = 40 videos-Erroneousvide os = 14 videosRemaining= 74 videosOCD = 50 videosno-OCD = 24 videos 3 all available videos: 64 x 2 = 128 videos (participantsx depression and mania chapters) removed = 54 videos:-hyperactivit yor tics = 40 videos-erroneous videoss = 14 videosremaining = 74 videosocd = 50 videosno-ocd = 24 videos 0.45
英語(論文から抽出)日本語訳スコア
LØNFELDT et al L'NFELDT et al 0.32
the second author. They reached a rater agreement of Kappa = 89% for a separate set of videos coded for training. 2人目の作家 彼らは訓練用にコーディングされた別のビデオセットに対して、kappa = 89%のレートで合意に達した。 0.60
They will hold regular meetings to prevent coder drift. 彼らはコーダーの漂流を防ぐために定期的な会議を開く。 0.48
Coders will not code videos in which they are the interviewers. プログラマは、インタビュアーであるビデオをコーディングしません。 0.53
Blinding human coders to diagnostic status cannot be achieved as the discussion of symptoms is inherent to the interview. 症状の議論がインタビューに固有のので、人間のコーダーを診断ステータスにブラインドすることは不可能である。 0.68
However, we attempt to blind coders to the extent possible. しかし、我々は可能な限り盲目なコーダーを試みます。 0.64
Thus, participants received a new ID number that does not reveal whether they are cases or controls and video clips received a code that does not reveal whether they contain the depression or mania chapter. そのため、参加者はケースやコントロールの有無を明らかにしない新しいID番号を受け取り、ビデオクリップは、うつ病やマニアの章を含むかどうかを明らかにしないコードを受け取っている。 0.69
CM has had contact with many of the participants in the TECTO study and is not blind to much of their clinical information, which may bias CM to score patients more negatively than controls or patients with higher clinical severity more negatively than patients with lower clinical severity. cmはtecto研究の多くの参加者と接触しており、その臨床情報の多くに目が見えないため、cmはコントロールよりも患者に負のスコアを与えるように偏り、より低い臨床重症の患者よりも高い臨床重症度を持つ患者に負のスコアを与える可能性がある。
訳抜け防止モード: CMはTECTO研究の参加者の多くと接触している CMはコントロールよりも患者をネガティブに評価する可能性があるので、臨床情報の多くは盲目ではありません。 臨床重症度が高い患者は 臨床重症度が低い患者よりも 陰性です
0.84
Thus, we estimated the sample size needed to test for a difference in means between CM’s codes and NL’s codes at a significance level of 0.05 (two-tailed), a power of 80%, a mean difference of 1 (the minimum allowed difference for agreement) and a standard deviation (SD) of 0.9 [11] using G*Power [6]. そこで本研究では,cm符号とnl符号の有意値が0.05 (2-tailed),パワーが80%,平均差が1 (definum allowed difference for agreement),標準偏差 (sd) が0.9[11],g*power [6] でテストするのに必要なサンプルサイズを推定した。 0.71
Results indicate that we would need a sample of 14 per rater to detect a mean difference of one. その結果, 平均差を検出するためには, レーダあたり14のサンプルが必要であることがわかった。 0.70
If we assume a less conservative SD of 0.11 [7] and a mean difference of one, a sample size of four would be needed to achieve a power of 80%. 保存性の低いsdが 0.11 [7] で平均差が 1 と仮定すると、80%のパワーを達成するにはサンプルサイズが 4 である必要がある。 0.79
Thus, 14 videos (33%) will be coded by both human coders to test bias in the unblinded coder and inter-rater reliability. したがって、14本のビデオ (33%) は、人間のコーダーの両方によってコーディングされ、非盲検コーダーのバイアスとレート間の信頼性をテストする。
訳抜け防止モード: こうして 14 本の動画 (33 %) が人間のコーダーによってコーディングされる。 unblinded coderとinter-rater reliabilityのバイアスをテストする。
0.76
For the entire analysis, in total, 44 videos will be coded by each of the human coders. 全分析のために、全44本のビデオが人間のコーダーによってコーディングされる。 0.74
Statistical Analysis Plan Processing pipeline 統計分析計画 処理パイプライン 0.78
Pre-processing video and annotations ビデオとアノテーションの事前処理 0.71
The two video clips from the depression and mania chapters from each participant varied in length. うつ病の2つのビデオクリップと、各参加者のマニアの章は長さによって異なる。 0.65
The shortest video was approximately 40 seconds in duration. 最も短いビデオは、およそ40秒間であった。 0.85
We extracted 30 seconds from each video from the middle section and coded this. 中間部から各ビデオから30秒抽出し、これをコード化した。 0.77
The middle section was deemed the most representative of the diagnostic chapter as we expect this to be where the child is more active, talkative and expressive. 中間部は, 子どもがより活発で, 話し, 表現力のある場所として, 診断章の最も代表的であると考えられた。 0.79
The diagnostic chapters start with the interviewer posing a question and by the end of the chapter the potential emotion-provoking stimuli (a question about a psychiatric symptom) may be distant or no longer novel and so children may be more relaxed. 診断の章はインタビュアーが質問をするところから始まり、章の終わりまでには、感情を誘発する潜在的な刺激(精神症状に関する質問)は遠く、あるいはもはや新しいものではなくなり、子どもたちはよりリラックスできる。 0.77
Video features To extract features from the videos, pre-trained machine learning models focusing on landmark detection and facial expression recognition are used. ビデオ機能 ビデオから特徴を抽出するために、ランドマーク検出と表情認識に焦点を当てた事前学習された機械学習モデルを用いる。
訳抜け防止モード: ビデオ機能 動画から特徴を抽出します ランドマーク検出と表情認識に注目したトレーニング済み機械学習モデルが使用される。
0.79
These models automatically track the position and movement of the head, hands, fingers, face, and torso. これらのモデルは自動的に頭、手、指、顔、胴体の位置と動きを追跡する。 0.77
A computational facial expression recognition model is used to classify facial expressions from images of human faces into emotion categories: anger, disgust, fear, happiness, sadness, surprise and neutral. 表情認識モデルは、人間の顔の画像から、怒り、嫌悪感、恐怖、幸福、悲しみ、驚き、中立といった感情カテゴリーに分類するために用いられる。 0.68
With such models, we can automatically track specific movements or positions as well as emotions that humans use to assign behavioral codes. このようなモデルにより、人間の行動規範の割り当てに使用する感情だけでなく、特定の動きや位置を自動的に追跡することができる。 0.61
Table 1 presents an a priori description of the computationally-trac ked actions that we believe will contribute to specific CIB codes. 表1は、特定のCIBコードに寄与すると信じている計算追跡されたアクションの事前記述を示す。 0.66
As the data were not acquired for the purpose of video analysis, the videos vary in terms of characteristics since different cameras were used to film the interviews. ビデオ分析のためにデータが取得されなかったため、様々なカメラがインタビューを撮影するために使用されたため、ビデオの特徴は様々である。 0.77
Thus, the computationally-deri ved ratings of behavior will initially be represented in percentages, e g , how many times a certain event has been observed, divided by the number of frames from the video. したがって、計算から派生した行動のレーティングは、ビデオのフレーム数で割られた、ある事象が観測された回数など、最初にパーセンテージで表される。 0.61
Subsequently, the percentages are transformed into scores ranging from 1 to 5 to match the human-rated CIB scores. その後、パーセンテージは1から5までのスコアに変換され、人間の評価cibスコアにマッチする。 0.59
Statistical analyses Statistical analysis I 統計分析 統計分析 i 0.57
First, we will estimate the agreement between the computationally-deri ved scores and the corresponding human-derived, CIB scores using a Cohen’s kappa, for easy comparison to human agreement, and a correlation plot for visualization. まず,計算から得られたスコアとそれに対応する人間由来のスコア,コーエンのカッパを用いたCIBスコアとの一致を,人的合意と容易に比較し,視覚化のための相関プロットを推定する。 0.73
In other words, the reliability between the human coders and the features extracted by the machine learning models are checked. 言い換えれば、人間のコーダと機械学習モデルによって抽出された特徴との信頼性をチェックする。 0.83
The seven scores can be treated as composite scores and reduced to a smaller number of scores: social engagement, negative emotionality, anxiety and activity. 7つのスコアは複合スコアとして扱われ、社会的エンゲージメント、ネガティブな感情、不安、活動など、より少ないスコアに減らされる。 0.63
Statistical analysis II Furthermore, we will test for significant differences at a level of α = 0.05 in the computationally-deri ved scores between the diagnostic groups (OCD and no-OCD). 統計解析II さらに, 診断群 (OCD と no-OCD ) の計算結果において, α = 0.05 で有意な差が認められた。 0.80
For this analysis, the composite scores are used in a MANOVA. この分析のために、合成スコアはMANOVAで使用される。 0.66
The 4 その... 4 0.31
英語(論文から抽出)日本語訳スコア
LØNFELDT et al L'NFELDT et al 0.32
Table 1: Models used for body movement tracking and facial expression recognition 表1:体の動き追跡と表情認識に用いられるモデル 0.80
CIB codes/constructs 1 Gaze cib コード/コンストラクタ 1 gaze 0.62
2 Attention 3 Positive affect 4 Negative emotionality 2 注意 3つのポジティブな影響 4つのネガティブな感情 0.63
5 Vocalization 6 Anxiety 5つの発声 6 不安 0.45
7 Activity Tracked actions Head and eyes positioning/angles Nodding head/turning head from side to side (yes or no), Limited movement (focus) Facial expression for happiness Facial expression for sadness or anger Openness of mouth, Ratio between mouth corners and lower, upper lips Activity frequency (high), Facial expression for fear, Facial expression for disgust Hands: away from the torso, touching head, touching arm, crossing arms Torso: frequent movements Head: up, down, left, right movements 7活動 追跡された行動 頭と目の位置/角度 頭と頭を横に向ける(yes or no) 限られた動き(focus) 幸福のための表情 悲しみや怒りのための表情 口の角と下唇の間の比率 恐怖のための表情 嫌がらせのための表情 顔の表情: 胴体から離れ、触る、腕に触れる、腕を交差する: 頭: 上、下、左、右の動き
訳抜け防止モード: 7活動 トラッキングされたアクション 頭と目の位置/角度 ノーディングヘッド / 頭を左右に向ける(イエスかノーか)。 限られた動き(焦点) 幸福のための表情 悲しみや怒りの開放性に対する表情 口角と下唇活動頻度(高)との比 恐怖に対する表情,嫌悪感に対する表情 : 胴体から離れて 頭, 腕, 腕の交叉 : 頻繁な運動頭 : 上, 上 下、左、右、右、
0.73
Class machine learning models Gaze tracking クラス機械学習モデルによる視線追跡 0.79
Body landmark detection, Face landmark detection Facial Expression Recognition Facial Expression Recognition 顔のランドマーク検出、顔のランドマーク検出、顔の表情認識 0.68
Face landmark detection 顔のランドマーク検出 0.79
Body landmark detection, Face landmark detection Facial Expression Recognition 顔のランドマーク検出、顔のランドマーク検出、顔表情認識 0.68
Body landmark detection, Face landmark detection ボディランドマーク検出, 顔ランドマーク検出 0.65
composite scores will also be used to test differences between the depression and mania chapters of the OCD and no-OCD groups. 複合スコアは、OCDおよび非OCD群のうつ病とマニアの章の違いをテストするためにも用いられる。 0.75
If necessary, a correction of the p-values will be performed using the Benjamini-Hochberg procedure controls [5] with a false discovery rate (FDR) of 20%. 必要であれば、偽発見率(FDR)20%のBenjamini-Hochberg手順制御[5]を用いて、p値の補正を行う。 0.71
Statistical analysis III Using the generated features data, a binary classification model can be trained in which the classes are OCD and no-OCD classes. 統計解析iii 生成された特徴データを使用して、クラスがOCDおよび非OCDクラスであるようなバイナリ分類モデルをトレーニングすることができる。 0.75
Examples include tree based models (e g , random forest, extreme gradient boosting) and logistic regression. 例えば、木に基づくモデル(例:ランダムフォレスト、極端な勾配向上)やロジスティック回帰などがある。
訳抜け防止モード: 例えば、木に基づくモデル(例:ランダムな森)がある。 extreme gradient boosting ) and logistic regression .
0.84
These models can be used for predicting OCD and no-OCD classes on unseen video data. これらのモデルは、見えないビデオデータ上でOCDおよび非OCDクラスを予測するために使用できる。 0.69
A tree approach is preferred in this context as it also produces feature importance as output, which can help to identify the best features for capturing the OCD/no-OCD classes. この文脈ではツリーアプローチが好まれており、出力として機能の重要性も生み出しており、OCD/no-OCDクラスをキャプチャするのに最適な機能を特定するのに役立つ。 0.64
Regarding model validation strategies, depending on the selected model different statistics will be reported, e g , inspection of qq-plots of the residuals, Out-of-Bag (OOB) error. モデル検証戦略については、選択されたモデルによって異なる統計量、例えば残差のqqプロットの検査、アウト・オブ・バグ(OOB)エラーが報告される。 0.75
The data is imbalanced as OCD patients outnumber no-OCD participants. OCD患者は非OCD患者よりも多いため、データは不均衡である。 0.59
Thus, we consider using either oversampling or undersampling strategies to deal with the class imbalance. したがって、クラス不均衡に対処するために、オーバーサンプリングまたはアンサンプ戦略の使用を検討する。 0.57
As performance metrics we will report the F1-Score and area under the curve (AUC) computed from the receiver operator characteristic curve (ROC). 性能指標として、受信演算子特性曲線(ROC)から算出した曲線(AUC)のF1スコアと面積を報告する。 0.79
For estimating the generalization error of the models, we plan to use either leave one out cross validation (LOOCV) or 5-fold cross validation, as deemed necessary. モデルの一般化誤差を推定するために、必要と考えられる1つのクロスバリデーション(loocv)または5倍のクロスバリデーションを使おうと考えています。 0.71
If relevant, stratified cross validation will be used. 関連のある場合は、階層型クロスバリデーションが使用される。 0.49
Discussion Strengths Here, we present a pre-defined plan for how data will be pre-processed, analyzed and presented in the publication of results and their interpretation. 討論 強度 本稿では,データの処理,分析,提示について,結果の公開と解釈で事前に定義された計画を示す。 0.62
If the AI tools show promising results, this pre-registered analysis plan may help reduce interpretation bias. もしaiツールが有望な結果を示すなら、この事前登録分析計画は解釈バイアスを減らすのに役立つかもしれない。 0.51
Automation of coding human behavior will save clinicians and researchers of human behavior time and resources. 人間の行動の自動化は、臨床医や研究者が人間の行動時間と資源を節約する。 0.71
An additional advantage is that coding will become more consistent and less prone to human error and bias. もうひとつの利点は、コーディングがより一貫性が増し、ヒューマンエラーやバイアスが軽減されることだ。
訳抜け防止モード: もう一つの利点は コーディングはより一貫性を増し 人間の誤りや偏見が減ります
0.74
A challenge for the proposed study is that the AI approach will attempt to derive behavioral ratings based solely on vision, whereas humans use visual, paralinguistic and linguistic cues to rate behavior. 提案された研究の課題は、AIアプローチが視覚のみに基づく行動評価を導き出そうとするのに対して、人間は行動を評価するために視覚的、パラ言語的、言語的手がかりを使用することである。 0.65
If successful, these AI tools would transcend human abilities. もし成功すれば、これらのAIツールは人間の能力を超越するだろう。 0.59
In future work, visual AI tools can be supplemented with audio tools to improve automatic ratings. 将来の作業では、ビジュアルaiツールは自動評価を改善するためにオーディオツールで補足することができる。 0.68
Another challenge will be using machine learning models for body and facial movement detection trained primarily on adults and not on children. もうひとつの課題は、子供ではなく主に大人に訓練された身体および顔の動きの検出に機械学習モデルを使用することだ。
訳抜け防止モード: もう1つの挑戦は 機械学習モデルを用いて 体と顔の動きを検出する 主に大人に 訓練された
0.76
Children and adults differ in the expression of mental states, i.e., attention and emotions, and thus, more work is needed on younger populations [1]. 子供と大人は、注意や感情といった精神状態の表現が異なるため、若い集団ではより多くの仕事が必要である[1]。 0.74
5 5 0.42
英語(論文から抽出)日本語訳スコア
LØNFELDT et al L'NFELDT et al 0.32
Limitations In this initial study, we chose to remove subclinical symptoms of motor unrest, stereotyped/repetiti ve behaviors and motor tics and motor unrest. 制限 本研究は,運動不安,ステレオタイプ/反復行動,運動運動障害および運動不安のサブクリニカル症状を除去することを選んだ。 0.67
The reason behind this choice is to ease the comparison between the OCD/no-OCD groups, as we have few subjects, we want to minimize unnecessary noise. この選択の背景にあるのは、OCD/no-OCDグループの比較を容易にするためです。
訳抜け防止モード: この選択の背景にあるのは、OCD/No-OCDグループの比較を容易にするためだ。 被験者が少ないので 不要な騒音を最小化したいのです
0.67
This decision may decrease the influence of bias of the human coder with knowledge of the patients’ diagnoses as the other human coder without this knowledge may code more similarly to the machine that also lacks this knowledge. この決定は、この知識を持たない他の人間のコーダーと同様に、患者の診断に関する知識を持つ人間のコーダーのバイアスの影響を減少させる可能性がある。 0.73
In this case, agreement between the human coders would decease and we may falsely conclude that machine-human agreement is at least as high as human-human agreement. この場合、人間のコーダー間の合意は減少し、機械と人間の合意は少なくとも人間と人間の合意と同じくらい高いと誤って結論付けることができる。 0.60
This decision also resulted in removing many children from the sample and will limit the generalizability of our findings. この決定は、また、多くの子どもをサンプルから除去し、その結果の一般化性を制限する結果となった。 0.64
Conclusion The current predefined analysis plan will help to limit bias for reported results in a future publication. 結論 現在の事前定義された分析計画は、将来の出版物で報告された結果のバイアスを制限するのに役立つだろう。
訳抜け防止モード: 結論 現在の事前定義された分析計画は 将来の出版物における報告結果のバイアスを制限する。
0.69
If the obtained results from this analysis plan are promising, we will be one step closer to automated human behavioural coding within the context of child psychiatry. この分析計画から得られた結果が有望であれば、児童精神医学の文脈における人間の行動自動コーディングに一歩近づきます。 0.74
Competing interests The authors declare that there are no competing interests for this work. 競合する利益 著者らは、この作品に競合する利害関係はないと宣言した。 0.65
Acknowledgements The current work is funded by the Novo Nordisk Foundation (grant number: NNF19OC0056795). 覚書 現在の資金はノヴォ・ノルディスク財団(Norvo Nordisk Foundation: NNF19OC0056795)が出資している。 0.54
The authors would also like to thank research assistant Anders Buch Thuesen for his work while temporarily supporting the project. また、研究助手のAnders Buch Thuesen氏も一時的にプロジェクトを支援してくれたことに感謝します。 0.70
References [1] N. I. Abbasi, S. Song, and H. Gunes. 略称はN.I. Abbasi、S. Song、H. Gunes。 0.65
Statistical, spectral and graph representations for video-based facial expression recognition in children. 小児の表情認識における統計的, スペクトル的, グラフ表現 0.71
In ICASSP 2022-2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pages 1725–1729. ICASSP 2022-2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)、ページ1725-1729。 0.44
IEEE, 2022. IEEE、2022年。 0.76
[2] D. American Psychiatric Association, A. P. Association, et al Diagnostic and statistical manual of mental [2]アメリカ精神医学会, A. P. Association, et al diagnosis and statistics manual of mental 0.83
disorders: DSM-5. American psychiatric association Washington, DC, 2013. 障害:DSM-5。 アメリカ精神医学会、ワシントンDC、2013年。 0.73
[3] Coding Interactive Behavior Manual. [3]対話的行動マニュアルのコーディング 0.74
Bar-Ilan University, Ramat Gan, Israel, 1998. 1998年、イスラエルのラマト・ガン大学を卒業。 0.56
[4] K. G. Benito, J. Machan, J. B. Freeman, A. M. Garcia, M. Walther, H. Frank, B. Wellen, E. Stewart, J. Edmunds, J. Sapyta, et al Therapist behavior during exposure tasks predicts habituation and clinical outcome in three randomized controlled trials for pediatric ocd. K. G. Benito, J. Machan, J. B. Freeman, A. M. Garcia, M. Walther, H. Frank, B. Wellen, E. Stewart, J. Edmunds, J. Sapyta, et al Therapist behavior during exposure task predicts predicts habituation and clinical outcome in three randomized controlled trial for pediatric ocd。 0.47
Behavior therapy, 52(3):523–538, 2021. 行動療法52(3):523-538, 2021。 0.42
[5] Y. Benjamini and Y. Hochberg. Y. Benjamini と Y. Hochberg です。 0.69
Controlling the false discovery rate: A practical and powerful approach to multiple 偽発見率の制御: 実用的かつ強力な多重化アプローチ 0.80
testing. Journal of the Royal Statistical Society: Series B (methodological), 57(1):289–300, 1995. テスト。 journal of the royal statistical society: series b (methodological), 57(1):289–300, 1995 (英語) 0.79
[6] F. Faul, E. Erdfelder, A. 6] f. faul, e. erdfelder, a. 0.34
-G. Lang, and A. Buchner. -G。 Lang, and A. Buchner 0.41
G* power 3: A flexible statistical power analysis program for G* Power 3:フレキシブルな統計パワー分析プログラム 0.74
the social, behavioral, and biomedical sciences. 社会的 行動的 生物医学的な科学です 0.68
Behavior research methods, 39(2):175–191, 2007. 行動研究法39(2):175–191, 2007 0.75
[7] R. Feldman. R. フェルドマン。 0.38
Mother-infant synchrony and the development of moral orientation in childhood and adolescence: Direct and indirect mechanisms of developmental continuity. 幼児・青年期における母性同調と道徳志向の発達:発達継続の直接的・間接的メカニズム 0.75
American Journal of Orthopsychiatry, 77(4): 582–597, 2007. american journal of orthopsychiatry, 77(4): 582-597, 2007 (英語) 0.80
[8] R. Feldman. Parenting behavior as the environment where children grow. 8] フェルドマン 子どもが育つ環境としての育児行動。 0.51
In L. C. M. . M. Lewis, editor, The Cambridge handbook of environment in human development, page 535–567. l.c.m.で。 M. Lewis, editor, The Cambridge handbook of environment in human development, page 535–567。 0.48
Cambridge University Press, Cambridge, 2012. ケンブリッジ大学出版局、2012年。 0.55
[9] J. L. Hudson and R. M. Rapee. J・L・ハドソンとR・M・レイピー。 0.57
Parent–child interactions and anxiety disorders: An observational study. 親子間相互作用と不安障害 : 観察的研究 0.78
Behaviour research and therapy, 39(12):1411–1427, 2001. 行動 研究・治療、39(12):1411-1427, 2001。 0.67
[10] P. S. Klein and R. Feldman. 10]p・s・クラインとr・フェルドマン 0.50
Mothers’ and caregivers’ interactive and teaching behavior with toddlers. 母親と介護者は、幼児と対話し、行動を教える。 0.65
Early Child Development and Care, 177(4):383–402, 2007. 幼子 開発とケア, 177(4):383–402, 2007 0.63
[11] E. R. Lebowitz, J. F. Leckman, R. Feldman, O. Zagoory-Sharon, N. McDonald, and W. K. Silverman. E.R. Lebowitz、J.F. Leckman、R. Feldman、O. Zagoory-Sharon、N. McDonald、W.K. Silverman。
訳抜け防止モード: [11 ]E. R. Lebowitz, J. F. Leckman, R. Feldman O. Zagoory - シャロン、N.マクドナルド、W.K.シルバーマン。
0.76
Salivary oxytocin in clinically anxious youth: Associations with separation anxiety and family accommodation. 臨床不安若年者における唾液オキシトシン : 分離不安と家族調節との関連 0.75
Psychoneuroendocrino logy, 65:35–43, 2016. 神経内分泌学, 65:35-43, 2016 0.47
6 6 0.43
英語(論文から抽出)日本語訳スコア
LØNFELDT et al L'NFELDT et al 0.32
[12] B. D. McLeod. B.D.マクロード(B.D. McLeod) 0.55
The therapy process observational coding system for child psychotherapy: Development and 小児心理療法のための治療過程観察符号化システム:開発と開発 0.82
application. University of California, Los Angeles, 2004. アプリケーション。 2004年、カリフォルニア大学ロサンゼルス校教授。 0.72
[13] W. H. Organization et al ICD-10: international statistical classification of diseases and related health problems: 13]w.h. organization et al icd-10:国際疾病統計分類と関連する健康問題 0.78
tenth revision. World Health Organization, Geneva, 2004. 第10改定 世界保健機関、ジュネーブ、2004年。 0.62
[14] A. K. Pagsberg, C. Uhre, V. Uhre, L. Pretzmann, S. H. Christensen, C. Thoustrup, I. Clemmesen, A. A. Gudmandsen, N. L. J. Korsbjerg, A. A. K. Pagsberg, C. Uhre, V. Uhre, L. Pretzmann, S. H. Christensen, C. Thoustrup, I. Clemmesen, A. A. Gudmandsen, N. L. J. Korsbjerg, A. 0.46
-R. C. Mora-Jensen, et al Family-based cognitive behavioural therapy versus family-based relaxation therapy for obsessive-compulsive disorder in children and adolescents: protocol for a randomised clinical trial (the tecto trial). -R。 c. mora-jensen, et al family-based cognitive behavioral therapy vs family-based relax therapy for obsessive-compulsive disorder in children and adolescents: protocol for a randomized clinical trial (tecto trial) 0.44
BMC psychiatry, 22(1):1–15, 2022. BMC精神医学 22(1):1-15, 2022。 0.81
[15] J. Puig-Antich and N. Ryan. 15] j. puig-antich と n. ryan。 0.59
Kiddie schedule for affective disorders and schizophrenia. 情動障害と統合失調症の子供向けスケジュール。 0.66
Pittsburgh, PA: Western ピッツバーグ、PA:西部 0.70
Psychiatric Institute, 1986. 1986年精神医学研究所教授。 0.57
7 7 0.43
               ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。