論文の概要: Learning Models for Suicide Prediction from Social Media Posts
- arxiv url: http://arxiv.org/abs/2105.03315v1
- Date: Thu, 29 Apr 2021 03:52:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 08:35:55.615082
- Title: Learning Models for Suicide Prediction from Social Media Posts
- Title(参考訳): ソーシャルメディア投稿からの自殺予測のための学習モデル
- Authors: Ning Wang, Fan Luo, Yuvraj Shivtare, Varsha D. Badal, K.P.
Subbalakshmi, R. Chandramouli, Ellen Lee
- Abstract要約: 深層学習アーキテクチャを提案し,他の3つの機械学習モデルを用いて,(1)30日,(2)6ヶ月以内に自殺未遂者を自動的に検出する。
自殺リスク検出のための3つの手作り特徴を,自殺の3段階理論と感情の先行研究,自殺のイデオロギーを示す人の間で代名詞の使用に基づいて作成し,抽出する。
- 参考スコア(独自算出の注目度): 10.398008864761449
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a deep learning architecture and test three other machine learning
models to automatically detect individuals that will attempt suicide within (1)
30 days and (2) six months, using their social media post data provided in the
CLPsych 2021 shared task. Additionally, we create and extract three sets of
handcrafted features for suicide risk detection based on the three-stage theory
of suicide and prior work on emotions and the use of pronouns among persons
exhibiting suicidal ideations. Extensive experimentations show that some of the
traditional machine learning methods outperform the baseline with an F1 score
of 0.741 and F2 score of 0.833 on subtask 1 (prediction of a suicide attempt 30
days prior). However, the proposed deep learning method outperforms the
baseline with F1 score of 0.737 and F2 score of 0.843 on subtask 2 (prediction
of suicide 6 months prior).
- Abstract(参考訳): CLPsych 2021共有タスクで提供されるソーシャルメディア投稿データを用いて,(1)30日と(2)6ヶ月以内に自殺を試みる個人を自動的に検出するために,ディープラーニングアーキテクチャを提案し,他の3つの機械学習モデルをテストする。
さらに,自殺の3段階の理論と先行研究に基づく自殺リスク検出のための3つの手工的な特徴と,自殺観念を示す人々の間での代名詞の使用を作成した。
広範な実験により、従来の機械学習手法のいくつかは、サブタスク1(30日前の自殺未遂の予測)において、f1スコア 0.741 とf2スコア 0.833 でベースラインを上回った。
しかし,提案手法は,F1スコアが0.737,F2スコアが0.843,サブタスク2が0.843(約6ヶ月前の自殺予測)でベースラインを上回った。
関連論文リスト
- An Automated Tool to Detect Suicidal Susceptibility from Social Media
Posts [0.0]
本研究は、ソーシャルメディアからの情報を用いて、誰かが自傷行為を考えているかどうかを判断する自動モデルを開発する。
ソーシャルメディア投稿のデータセットを収集し、それらを処理し、モデルをトレーニングし、修正しました。
このモデルは93%の精度で、F1スコアは0.93である。
論文 参考訳(メタデータ) (2023-10-09T18:06:12Z) - Detecting Suicidality in Arabic Tweets Using Machine Learning and Deep
Learning Techniques [0.32885740436059047]
本研究は,Twitterからアラビアの自殺検知データセットを開発した。
これは、Twitterからアラビアの自殺検知データセットを開発した最初の研究である。
論文 参考訳(メタデータ) (2023-09-01T04:30:59Z) - SurvivalGAN: Generating Time-to-Event Data for Survival Analysis [121.84429525403694]
検閲と時間的地平線の不均衡は、生成モデルに生存分析に特有の3つの新しい障害モードを経験させる。
本稿では,検閲やイベントの地平線における不均衡に対処し,生存データを扱う生成モデルであるSurvivalGANを提案する。
医療データセットに関する広範な実験により,本手法の評価を行った。
論文 参考訳(メタデータ) (2023-02-24T17:03:51Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - Robin: A Novel Online Suicidal Text Corpus of Substantial Breadth and
Scale [11.945854832533234]
これまでに1100万以上のオンラインフォーラム投稿からなる、最大規模の非キーワード生成自殺コーパスであるRobinを紹介します。
ロビンは、自殺の遺書やフリップパント参照など、自殺のテキストの様々なカテゴリを含むように特別に構築されている。
Robinデータセットを機械学習リソースとして公開し、次世代の自殺感情研究を推進する可能性を秘めています。
論文 参考訳(メタデータ) (2022-09-13T03:32:47Z) - Am I No Good? Towards Detecting Perceived Burdensomeness and Thwarted
Belongingness from Suicide Notes [51.378225388679425]
本稿では,自殺ノートから知覚的バーデンサムネス(PB)とThwarted Belongingness(TB)を検出する新しい課題に対処するエンドツーエンドマルチタスクシステムを提案する。
また、ベンチマークCEASE-v2.0データセットに基づいて、手動で翻訳したコード混合自殺メモコーパス、CoMCEASE-v2.0を導入する。
自殺ノートの時間方向と感情情報を利用して全体のパフォーマンスを向上する。
論文 参考訳(メタデータ) (2022-05-20T06:31:08Z) - An ensemble deep learning technique for detecting suicidal ideation from
posts in social media platforms [0.0]
本稿ではLSTM-Attention-CNN複合モデルを提案する。
提案されたモデルは90.3%の精度、F1スコア92.6%の精度を示した。
論文 参考訳(メタデータ) (2021-12-17T15:34:03Z) - Detecting Potentially Harmful and Protective Suicide-related Content on
Twitter: A Machine Learning Approach [0.1582078748632554]
我々は大量のTwitterデータを自動ラベル付けするために機械学習手法を適用した。
2つのディープラーニングモデルが2つの分類タスクで最高のパフォーマンスを達成した。
本研究は, 各種ソーシャルメディアコンテンツが自殺率, ヘルプ・サーキング行動に与える影響について, 今後の大規模調査を可能にするものである。
論文 参考訳(メタデータ) (2021-12-09T09:35:48Z) - HuBERT: Self-Supervised Speech Representation Learning by Masked
Prediction of Hidden Units [81.53783563025084]
本稿では、BERTのような予測損失に対して、アライメントされたターゲットラベルを提供するオフラインクラスタリングステップを提案する。
提案手法の重要な要素は,マスク領域にのみ予測損失を適用することである。
HuBERTは、より困難なdev-otherおよびtest-other評価サブセットに対して、最大19%と13%の相対的なWER削減を示す。
論文 参考訳(メタデータ) (2021-06-14T14:14:28Z) - Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and
Supervised Learning Methods in Adversarial Environments [63.942632088208505]
現在の運用環境に固有ののは、敵対的機械学習の実践である。
本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。
我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
論文 参考訳(メタデータ) (2021-05-14T10:05:10Z) - Adversarial Robustness: From Self-Supervised Pre-Training to Fine-Tuning [134.15174177472807]
対戦型トレーニングを自己超越に導入し,汎用的な頑健な事前訓練モデルを初めて提供する。
提案するフレームワークが大きなパフォーマンスマージンを達成できることを示すため,広範な実験を行う。
論文 参考訳(メタデータ) (2020-03-28T18:28:33Z)
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。