論文の概要: A Novel Sentiment Analysis Engine for Preliminary Depression Status
Estimation on Social Media
- arxiv url: http://arxiv.org/abs/2011.14280v1
- Date: Sun, 29 Nov 2020 04:42:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-07 09:07:31.100297
- Title: A Novel Sentiment Analysis Engine for Preliminary Depression Status
Estimation on Social Media
- Title（参考訳）: ソーシャルメディアにおける予備抑うつ状態推定のための新しい感性分析エンジン
- Authors: Sudhir Kumar Suman, Hrithwik Shalu, Lakshya A Agrawal, Archit Agrawal,
Juned Kadiwala
- Abstract要約: 我々は,Twitter ソーシャルメディア上での抑うつ検出を主目的とする,ディープラーニングベースのバックエンドを備えた,クラウドベースのスマートフォンアプリケーションを提案する。
心理学者は、患者がカウンセリングの前にうつ状態を評価するためにこのアプリケーションを利用することができる。
試験精度は87.23%、AUCは0.8621である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text sentiment analysis for preliminary depression status estimation of users
on social media is a widely exercised and feasible method, However, the immense
variety of users accessing the social media websites and their ample mix of
vocabularies makes it difficult for commonly applied deep learning-based
classifiers to perform. To add to the situation, the lack of adaptability of
traditional supervised machine learning could hurt at many levels. We propose a
cloud-based smartphone application, with a deep learning-based backend to
primarily perform depression detection on Twitter social media. The backend
model consists of a RoBERTa based siamese sentence classifier that compares a
given tweet (Query) with a labeled set of tweets with known sentiment (
Standard Corpus ). The standard corpus is varied over time with expert opinion
so as to improve the model's reliability. A psychologist ( with the patient's
permission ) could leverage the application to assess the patient's depression
status prior to counseling, which provides better insight into the mental
health status of a patient. In addition, to the same, the psychologist could be
referred to cases of similar characteristics, which could in turn help in more
effective treatment. We evaluate our backend model after fine-tuning it on a
publicly available dataset. The find tuned model is made to predict depression
on a large set of tweet samples with random noise factors. The model achieved
pinnacle results, with a testing accuracy of 87.23% and an AUC of 0.8621.
- Abstract（参考訳）: ソーシャルメディア上でのユーザの予備的な抑うつ状態推定のためのテキスト感情分析は、広く実行可能かつ実現可能な方法であるが、ソーシャルメディアwebサイトへのアクセスや語彙の多種多様な混合によって、深層学習に基づく分類器が一般的に適用されることは困難である。
さらに、従来の教師付き機械学習の適応性の欠如は多くのレベルで問題となる可能性がある。
本稿では,twitterソーシャルメディア上で主に抑うつ検出を行うための,ディープラーニングベースのバックエンドを備えた,クラウドベースのスマートフォンアプリケーションを提案する。
バックエンドモデルは、所定のツイート(クエリ)とラベル付きツイートのセットを既知の感情(標準コーパス)と比較するRoBERTaベースのシアム文分類器で構成されている。
標準コーパスは、モデルの信頼性を改善するために、専門家の意見によって時間とともに変化する。
心理学者(患者の許可を得て)は、カウンセリングの前に患者の抑うつ状態を評価するためにこの応用を活用し、患者の精神状態に関するより良い洞察を提供することができる。
さらに、同じように、心理学者は、より効果的な治療に役立つ同様の特徴の事例を参照することができる。
公開データセットで微調整した後、バックエンドモデルを評価します。
探索調律モデルは、ランダムなノイズ要因を持つ大量のツイートサンプルに対して抑うつを予測する。
このモデルは、試験精度87.23%、auc 0.8621でピンナクル結果を達成した。
関連論文リスト
- Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳（メタデータ） (2023-11-16T07:22:56Z) - Explainable Depression Symptom Detection in Social Media [2.677715367737641]
本稿では, トランスフォーマーアーキテクチャを用いて, ユーザの文章中の抑うつ症状マーカーの出現を検知し, 説明する。
我々の自然言語による説明により、臨床医はバリデーションされた症状に基づいてモデルの判断を解釈できる。
論文 参考訳（メタデータ） (2023-10-20T17:05:27Z) - Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts [91.3755431537592]
ソーシャルメディアプラットフォームにまたがる膨大なユーザー投稿は、主に人工知能(AI)のユースケースに使われていない。
自然言語処理(NLP)は、コーパス(corpora)として知られるドキュメントの体系を利用して、人間のような言語理解でコンピュータを訓練するAIのサブフィールドである。
本研究は, 教師なし解析の応用により, コンピュータがプラスティック手術に対する否定的, 肯定的, 中立的なユーザ感情を予測できることを示した。
論文 参考訳（メタデータ） (2023-07-05T20:16:20Z) - Depression detection in social media posts using affective and social
norm features [84.12658971655253]
ソーシャルメディア投稿からの抑うつ検出のための奥深いアーキテクチャを提案する。
我々は、後期融合方式を用いて、ポストとワードの敬称と道徳的特徴をアーキテクチャに組み込んだ。
提案された機能を含めると、両方の設定で最先端の結果が得られます。
論文 参考訳（メタデータ） (2023-03-24T21:26:27Z) - Semantic Similarity Models for Depression Severity Estimation [53.72188878602294]
本稿では、ソーシャルメディアの文章に基づいて、個人のうつ病の重症度を研究するための効率的なセマンティックパイプラインを提案する。
我々は,抑うつ症状と重度レベルに対応する代表訓練文の指標に対して意味的ランキングを生成するために,テストユーザ文を使用する。
本手法を2つのRedditベースのベンチマークで評価し,うつ病の重症度を指標として,最先端技術よりも30%改善した。
論文 参考訳（メタデータ） (2022-11-14T18:47:26Z) - Data set creation and empirical analysis for detecting signs of
depression from social media postings [0.0]
うつ病は、深刻な結果を避けるために、早期に検出され治療されなければならない一般的な精神疾患である。
我々は、ソーシャルメディアの投稿から、うつ病のレベルが落ち込んでいないこと、中程度に落ち込んでいないこと、および深刻な落ち込んでいないことを検知する、金の標準データセットを開発した。
論文 参考訳（メタデータ） (2022-02-07T10:24:33Z) - Learning Language and Multimodal Privacy-Preserving Markers of Mood from
Mobile Data [74.60507696087966]
精神状態は、先進医療に共通する国でも診断されていない。
人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。
本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
論文 参考訳（メタデータ） (2021-06-24T17:46:03Z) - Deep Multi-task Learning for Depression Detection and Prediction in
Longitudinal Data [50.02223091927777]
うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。
機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。
本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-05T05:14:14Z) - Towards Preemptive Detection of Depression and Anxiety in Twitter [14.877991297466174]
うつ病と不安は、日常生活の多くの領域で観察される精神疾患である。
我々は、Twitterにおけるうつ病と不安検出の研究を促進するために設計されたデータセットを開発した。
論文 参考訳（メタデータ） (2020-11-10T17:17:23Z) - Multimodal Depression Severity Prediction from medical bio-markers using
Machine Learning Tools and Technologies [0.0]
うつ病は世界中の精神疾患の主要な原因となっている。
近年,うつ病の診断とステージ予測の自動化に行動的手がかりが用いられている。
ラベル付き行動データセットの欠如と、膨大な量のバリエーションが、タスクを達成する上で大きな課題であることが証明されている。
論文 参考訳（メタデータ） (2020-09-11T20:44:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。