論文の概要: DASentimental: Detecting depression, anxiety and stress in texts via emotional recall, cognitive networks and machine learning

• arxiv url: http://arxiv.org/abs/2110.13710v1
• Date: Tue, 26 Oct 2021 13:58:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 20:06:02.677941
• Title: DASentimental: Detecting depression, anxiety and stress in texts via emotional recall, cognitive networks and machine learning
• Title（参考訳）: dasentimental:感情リコール、認知ネットワーク、機械学習によるテキスト中の抑うつ、不安、ストレスの検出
• Authors: Asra Fatima, Li Ying, Thomas Hills and Massimo Stella
• Abstract要約: 本研究は,文章から抑うつ,不安,ストレスを抽出する半教師付き機械学習モデル(DASentimental)を提案する。 我々は、抑うつ不安ストレス尺度(DASS-21)に対する反応とN=200$の個人によるリコール感情単語のシーケンスがどのように相関しているかをモデルに訓練する。 想起された感情と「サド・ハッピー」のセマンティックな距離は、うつ病レベルを推定する上で重要な特徴であるが、不安やストレスには重要でない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most current affect scales and sentiment analysis on written text focus on quantifying valence (sentiment) -- the most primary dimension of emotion. However, emotions are broader and more complex than valence. Distinguishing negative emotions of similar valence could be important in contexts such as mental health. This project proposes a semi-supervised machine learning model (DASentimental) to extract depression, anxiety and stress from written text. First, we trained the model to spot how sequences of recalled emotion words by $N=200$ individuals correlated with their responses to the Depression Anxiety Stress Scale (DASS-21). Within the framework of cognitive network science, we model every list of recalled emotions as a walk over a networked mental representation of semantic memory, with emotions connected according to free associations in people's memory. Among several tested machine learning approaches, we find that a multilayer perceptron neural network trained on word sequences and semantic network distances can achieve state-of-art, cross-validated predictions for depression ($R = 0.7$), anxiety ($R = 0.44$) and stress ($R = 0.52$). Though limited by sample size, this first-of-its-kind approach enables quantitative explorations of key semantic dimensions behind DAS levels. We find that semantic distances between recalled emotions and the dyad "sad-happy" are crucial features for estimating depression levels but are less important for anxiety and stress. We also find that semantic distance of recalls from "fear" can boost the prediction of anxiety but it becomes redundant when the "sad-happy" dyad is considered. Adopting DASentimental as a semi-supervised learning tool to estimate DAS in text, we apply it to a dataset of 142 suicide notes. We conclude by discussing key directions for future research enabled by artificial intelligence detecting stress, anxiety and depression.
• Abstract（参考訳）: 現在の影響尺度や文章の感情分析のほとんどは、感情の最も重要な次元である価(感性)の定量化に重点を置いている。 しかし、感情は原子価よりも広く複雑である。 類似の原子価による否定的な感情の排除は、メンタルヘルスのような文脈において重要である。 本稿では,文章から抑うつ,不安,ストレスを抽出する半教師付き機械学習モデル(DASentimental)を提案する。 まず,抑うつ不安ストレス尺度 (DASS-21) に対する反応と,N=200$の個人によるリコール感情単語のシーケンスがどのように相関しているかを学習した。 コグニティブ・ネットワーク・サイエンスの枠組みでは、リコールされた感情のすべてのリストを、人の記憶の自由な関連によって接続された感情と、意味記憶のネットワーク化された精神的表現のウォークとしてモデル化する。 テストされた機械学習アプローチのうち、単語シーケンスとセマンティックネットワーク距離に基づいてトレーニングされた多層パーセプトロンニューラルネットワークは、うつ病(R = 0.7$)、不安(R = 0.44$)、ストレス(R = 0.52$)の最先端、クロスバリデーション予測を実現することができる。 サンプルサイズによって制限されているが、この第一種アプローチは、DASレベルの背後にある重要な意味的次元の定量的な探索を可能にする。 想起された感情と「サド・ハッピー」のセマンティックな距離はうつ病レベルを推定する上で重要な特徴であるが、不安やストレスには重要でない。 また,"fear"からのリコールの意味的距離は不安の予測を増加させるが,"sad-happy"ダイナドを考慮すれば冗長になることがわかった。 半教師付き学習ツールとしてDASentimentalを用いてテキスト中のDASを推定し,142の自殺ノートのデータセットに適用する。 我々は、人工知能がストレス、不安、抑うつを検出できる将来の研究の鍵となる方向性について論じる。

関連論文リスト

• Measuring Non-Typical Emotions for Mental Health: A Survey of Computational Approaches [57.486040830365646]
  ストレスと抑うつは日々のタスクにおけるエンゲージメントに影響を与え、彼らの相互作用を理解する必要性を強調します。 この調査は、ストレス、抑うつ、エンゲージメントを分析する計算手法を同時に探求した最初のものである。
  論文  参考訳（メタデータ） (2024-03-09T11:16:09Z)
• Emotion Granularity from Text: An Aggregate-Level Indicator of Mental Health [25.166884750592175]
  心理学において、個人の感情概念を区別する能力の変化を感情の粒度と呼ぶ。 高い感情の粒度は、より良い精神と身体の健康と結びついている。 低感情の粒度は、不適応な感情制御戦略や健康状態の悪化と結びついている。
  論文  参考訳（メタデータ） (2024-03-04T18:12:10Z)
• DepressionEmo: A novel dataset for multilabel classification of depression emotions [6.26397257917403]
  DepressionEmoは、Redditの長いユーザー投稿の6037例によって、うつ病に関連する8つの感情を検出するために設計されたデータセットである。 このデータセットは、事前訓練されたモデルのゼロショット分類による入力に対する多数決によって作成された。 本稿では,SVM,XGBoost,Light GBMなどの機械学習手法と,BERT,GAN-BERT,BARTなどのディープラーニング手法の2つのグループに分類されるテキスト分類手法を提案する。
  論文  参考訳（メタデータ） (2024-01-09T16:25:31Z)
• Seeking Subjectivity in Visual Emotion Distribution Learning [93.96205258496697]
  視覚感情分析(VEA)は、人々の感情を異なる視覚刺激に向けて予測することを目的としている。 既存の手法では、集団投票プロセスにおいて固有の主観性を無視して、統合されたネットワークにおける視覚的感情分布を予測することが多い。 視覚的感情分布の主観性を調べるために,新しいテキストサブジェクティビティ評価ネットワーク(SAMNet)を提案する。
  論文  参考訳（メタデータ） (2022-07-25T02:20:03Z)
• Accurate Emotion Strength Assessment for Seen and Unseen Speech Based on Data-Driven Deep Learning [70.30713251031052]
  本研究では,データ駆動型深層学習モデル,すなわちSenseNetを提案する。 実験の結果,提案した強度ネットの予測感情強度は,目視と目視の両方の真理値と高い相関性を示した。
  論文  参考訳（メタデータ） (2022-06-15T01:25:32Z)
• Interpretability of Fine-grained Classification of Sadness and Depression [0.0]
  抑うつは長期的な精神疾患であり、社会的、職業的、その他の重要な機能領域を損なう。 ウェブ上のオープンソースのデータのほとんどは、双方の重大さの違いが巨大であるため、不況の一部として悲しみに対処している。 本稿では、両者の違いを強調し、我々のモデルがどのようにして、悲しみと抑うつを明確にラベル付けしているかを明らかにすることを目的とする。
  論文  参考訳（メタデータ） (2022-03-20T02:34:51Z)
• Emotion Intensity and its Control for Emotional Voice Conversion [77.05097999561298]
  感情音声変換(EVC)は、言語内容と話者のアイデンティティを保ちながら、発話の感情状態を変換しようとする。 本稿では,感情の強さを明示的に表現し,制御することを目的とする。 本稿では,話者スタイルを言語内容から切り離し,連続した空間に埋め込み,感情埋め込みのプロトタイプを形成するスタイルに符号化することを提案する。
  論文  参考訳（メタデータ） (2022-01-10T02:11:25Z)
• Perspective-taking and Pragmatics for Generating Empathetic Responses Focused on Emotion Causes [50.569762345799354]
  i) 相手の感情が発話から引き起こされる原因となる単語を特定することと, (ii) 応答生成における特定の単語を反映することである。 社会的認知からインスピレーションを得て、生成的推定を用いて、感情が単語レベルのラベルのない発話から単語を推論する。
  論文  参考訳（メタデータ） (2021-09-18T04:22:49Z)
• A Circular-Structured Representation for Visual Emotion Distribution Learning [82.89776298753661]
  視覚的感情分布学習に先立つ知識を活用するために,身近な円形構造表現を提案する。 具体的には、まず感情圏を構築し、その内にある感情状態を統一する。 提案した感情圏では、各感情分布は3つの属性で定義される感情ベクトルで表される。
  論文  参考訳（メタデータ） (2021-06-23T14:53:27Z)
• Basic and Depression Specific Emotion Identification in Tweets: Multi-label Classification Experiments [1.7699344561127386]
  ツイートにおける基本的・抑うつ的マルチ感情マイニングに関する実証分析を行った。 我々は、感情の4つの高度に評価された心理モデルから、共通の感情からなるハイブリッド感情モデルから、基本的な感情を選択する。 我々は、うつ病の分析においてその重要性から、新たな感情カテゴリーによる感情モデルを強化した。
  論文  参考訳（メタデータ） (2021-05-26T07:13:50Z)
• Emo-CNN for Perceiving Stress from Audio Signals: A Brain Chemistry Approach [2.4087148947930634]
  音声信号から人間のストレスをモデル化する手法を提案する。 Emo-CNNは、人気の高い既存のメソッドよりも一貫して、大幅に優れています。 ロブハイムの立方体は、これらの神経伝達物質と3次元空間における感情の位置との関係を説明することを目的としている。
  論文  参考訳（メタデータ） (2020-01-08T01:01:48Z)

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。