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
- The Surprising Effectiveness of Test-Time Training for Abstract Reasoning [64.36534512742736]
モデル推論能力向上のためのメカニズムとして,テストタイムトレーニング(TTT)の有効性を検討する。
TTTはARCタスクのパフォーマンスを大幅に改善し、ベースとなる微調整モデルと比較して最大6倍の精度向上を実現した。
本研究は,ニューラルネットワークモデルにおける抽象的推論改善の道筋として,明示的な記号探索が唯一の道ではないことを示唆している。
論文 参考訳（メタデータ） (2024-11-11T18:59:45Z) - Suicide Phenotyping from Clinical Notes in Safety-Net Psychiatric Hospital Using Multi-Label Classification with Pre-Trained Language Models [10.384299115679369]
事前訓練された言語モデルは、非構造的な臨床物語から自殺を識別する約束を提供する。
2つの微調整戦略を用いて4つのBERTモデルの性能評価を行った。
その結果, モデル最適化, ドメイン関連データによる事前学習, 単一マルチラベル分類戦略により, 自殺表現のモデル性能が向上することが示唆された。
論文 参考訳（メタデータ） (2024-09-27T16:13:38Z) - Deep Learning and Large Language Models for Audio and Text Analysis in Predicting Suicidal Acts in Chinese Psychological Support Hotlines [13.59130559079134]
中国では毎年200万人が自殺を企てており、多くの人が複数の試みをしている。
深層学習モデルと大規模言語モデル(LLM)がメンタルヘルスの分野に導入されている。
本研究は、1284名の被験者を対象とし、ディープラーニングモデルとLLMが、ホットラインからの音声および転写テキストを用いて、自殺リスクを効果的に予測できるかどうかを検証するように設計された。
論文 参考訳（メタデータ） (2024-09-10T02:22:50Z) - ThangDLU at #SMM4H 2024: Encoder-decoder models for classifying text data on social disorders in children and adolescents [49.00494558898933]
本稿では,#SMM4H (Social Media Mining for Health) 2024 Workshopのタスク3とタスク5への参加について述べる。
タスク3は、屋外環境が社会不安の症状に与える影響を議論するツイートを中心にした多クラス分類タスクである。
タスク5は、子供の医学的障害を報告しているツイートに焦点を当てたバイナリ分類タスクを含む。
BART-baseやT5-smallのような事前訓練されたエンコーダデコーダモデルからの転送学習を適用し、与えられたツイートの集合のラベルを同定した。
論文 参考訳（メタデータ） (2024-04-30T17:06:20Z) - SOS-1K: A Fine-grained Suicide Risk Classification Dataset for Chinese Social Media Analysis [22.709733830774788]
本研究では,自殺リスクの詳細な分類を目的とした,中国のソーシャルメディアデータセットを提案する。
事前訓練した7つのモデルについて, 自殺リスクが高い, 自殺リスクが少ない, 自殺リスクの細かい分類が0～10の2つのタスクで評価された。
ディープラーニングモデルは高い自殺リスクと低い自殺リスクを区別する上で優れた性能を示し、最良のモデルはF1スコア88.39%である。
論文 参考訳（メタデータ） (2024-04-19T06:58:51Z) - Non-Invasive Suicide Risk Prediction Through Speech Analysis [74.8396086718266]
自動自殺リスク評価のための非侵襲的音声ベースアプローチを提案する。
我々は、wav2vec、解釈可能な音声・音響特徴、深層学習に基づくスペクトル表現の3つの特徴セットを抽出する。
我々の最も効果的な音声モデルは、6.6.2,%$のバランスの取れた精度を達成する。
論文 参考訳（メタデータ） (2024-04-18T12:33:57Z) - 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。