論文の概要: Different Affordances on Facebook and SMS Text Messaging Do Not Impede Generalization of Language-Based Predictive Models

• arxiv url: http://arxiv.org/abs/2202.01802v3
• Date: Wed, 24 May 2023 02:44:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 03:42:40.730579
• Title: Different Affordances on Facebook and SMS Text Messaging Do Not Impede Generalization of Language-Based Predictive Models
• Title（参考訳）: Facebook と SMS のテキストメッセージングは言語ベース予測モデルの一般化に影響を与えない
• Authors: Tingting Liu, Salvatore Giorgi, Xiangyu Tao, Sharath Chandra Guntuku, Douglas Bellew, Brenda Curtis, Lyle Ungar
• Abstract要約: 我々は、Facebookとテキストメッセージの心理言語学的差異について検討した。 トレーニング済みの言語モデルを用いて、年齢、性別、抑うつ、生活満足度、およびFacebookとSMSのストレスを推定しました。 これらの結果は、トレーニング済みのFacebook言語モデルを使用して、ジャスト・イン・タイムの介入によって精度を向上させることを示唆している。
• 参考スコア（独自算出の注目度）: 11.187596211320777
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adaptive mobile device-based health interventions often use machine learning models trained on non-mobile device data, such as social media text, due to the difficulty and high expense of collecting large text message (SMS) data. Therefore, understanding the differences and generalization of models between these platforms is crucial for proper deployment. We examined the psycho-linguistic differences between Facebook and text messages, and their impact on out-of-domain model performance, using a sample of 120 users who shared both. We found that users use Facebook for sharing experiences (e.g., leisure) and SMS for task-oriented and conversational purposes (e.g., plan confirmations), reflecting the differences in the affordances. To examine the downstream effects of these differences, we used pre-trained Facebook-based language models to estimate age, gender, depression, life satisfaction, and stress on both Facebook and SMS. We found no significant differences in correlations between the estimates and self-reports across 6 of 8 models. These results suggest using pre-trained Facebook language models to achieve better accuracy with just-in-time interventions.
• Abstract（参考訳）: 適応型モバイルデバイスベースの健康介入は、大規模テキストメッセージ(sms)データの収集が困難で費用がかかるため、ソーシャルメディアテキストなどの非モバイルデバイスデータでトレーニングされた機械学習モデルを使用することが多い。 したがって、これらのプラットフォーム間のモデルの違いと一般化を理解することは、適切なデプロイに不可欠である。 我々は、Facebookとテキストメッセージの心理言語学的差異とドメイン外のモデルパフォーマンスへの影響について、その両方を共有した120人のサンプルを用いて検討した。 ユーザーはfacebookを体験(レジャーなど)とsmsをタスク指向および会話目的(プラン確認など)に利用し、価格の違いを反映していることがわかった。 これらの違いの下流効果を調べるために、facebookベースの言語モデルを使って、年齢、性別、抑うつ、人生の満足度、およびfacebookとsmsの両方に対するストレスを推定しました。 8モデル中6モデルで評価値と自己報告値の相関は有意差は認められなかった。 これらの結果は、トレーニング済みのfacebook言語モデルを使用して、ジャスト・イン・タイムの介入によって精度を向上させることを示唆する。

関連論文リスト

• We're Calling an Intervention: Exploring the Fundamental Hurdles in Adapting Language Models to Nonstandard Text [8.956635443376527]
  非標準テキストへの言語モデル適応の根底にある課題を理解するための一連の実験を提示する。 我々は、言語モデルの既存バイアスとの相互作用と、いくつかの種類の言語的変動を近似する介入を設計する。 学習データのサイズや性質の異なる言語モデル適応時の介入を適用することで、知識伝達がいつ成功するかについて重要な洞察を得ることができる。
  論文  参考訳（メタデータ） (2024-04-10T18:56:53Z)
• Toward Joint Language Modeling for Speech Units and Text [89.32163954508489]
  音声単位とテキストの共用言語モデリングについて検討する。 音声とテキストの混在度を評価するための自動計測手法を提案する。 提案手法を用いて音声単位とテキストを混合することにより,SLUタスクにおける音声のみのベースラインを改良することを示す。
  論文  参考訳（メタデータ） (2023-10-12T20:53:39Z)
• M-SpeechCLIP: Leveraging Large-Scale, Pre-Trained Models for Multilingual Speech to Image Retrieval [56.49878599920353]
  本研究は,多言語画像音声検索におけるCLIPとHuBERTの大規模,英語のみの事前学習モデル(CLIPとHuBERT)の利用について検討する。 非英語画像音声検索では、各言語毎に個別のモデルを訓練する場合と、3言語すべてで音声を処理する1つのモデルの両方において、最先端のパフォーマンスを幅広いマージンで上回ります。
  論文  参考訳（メタデータ） (2022-11-02T14:54:45Z)
• Catch Me If You Can: Deceiving Stance Detection and Geotagging Models to Protect Privacy of Individuals on Twitter [3.928604516640069]
  調査は2つの露光リスキーなタスク、姿勢検出とジオタグ付けに基礎を置いている。 そこで本研究では,テキスト修正のための多種多様なテクニックを探求する。例えば,テキストに接頭辞を挿入したり,言い換えたり,ダミーなソーシャルメディア投稿を追加したりすることなどである。 タイプミスは、ソーシャルネットワークに依存しているため、最先端のジオタグモデルに最小限の影響があることがわかった。
  論文  参考訳（メタデータ） (2022-07-23T11:55:18Z)
• Improved Multilingual Language Model Pretraining for Social Media Text via Translation Pair Prediction [1.14219428942199]
  ソーシャルメディアコーパス上でmBERTのゼロショット多言語移動を改善するための簡単なアプローチを評価する。 提案手法は,ソースターゲット言語間の翻訳へのアクセスを前提としている。 英語からヒンディー語,アラビア語,日本語へのゼロショット移行において,mBERT単独でのTPP事前訓練の改善を示す。
  論文  参考訳（メタデータ） (2021-10-20T00:06:26Z)
• Paraphrastic Representations at Scale [134.41025103489224]
  私たちは、英語、アラビア語、ドイツ語、フランス語、スペイン語、ロシア語、トルコ語、中国語の訓練されたモデルをリリースします。 我々はこれらのモデルを大量のデータでトレーニングし、元の論文から大幅に性能を向上した。
  論文  参考訳（メタデータ） (2021-04-30T16:55:28Z)
• Few-shot learning through contextual data augmentation [74.20290390065475]
  機械翻訳モデルは、時間とともに性能を維持するために新しいデータに適応する必要がある。 一つの例から5つの例への適応が可能であることを示す。 本モデルでは,平均313個の並列例でトレーニングした基準システムよりも精度がよいことを示す。
  論文  参考訳（メタデータ） (2021-03-31T09:05:43Z)
• An Online Multilingual Hate speech Recognition System [13.87667165678441]
  6つのデータセットを1つの同質なデータセットに組み合わせて分析し、3つのクラスに分類します。 ほぼリアルタイムで有効なメトリックでページを識別し、スコア付けするツールを作成し、フィードバックでモデルを再トレーニングします。 英語とヒンディー語という2つの言語モデル上での多言語モデルの競合性能を証明し、ほとんどの単言語モデルに匹敵するあるいは優れた性能をもたらす。
  論文  参考訳（メタデータ） (2020-11-23T16:33:48Z)
• Comparison of Interactive Knowledge Base Spelling Correction Models for Low-Resource Languages [81.90356787324481]
  低リソース言語に対する正規化の推進は、パターンの予測が難しいため、難しい作業である。 この研究は、ターゲット言語データに様々な量を持つニューラルモデルとキャラクタ言語モデルの比較を示す。 我々の利用シナリオは、ほぼゼロのトレーニング例によるインタラクティブな修正であり、より多くのデータが収集されるにつれてモデルを改善する。
  論文  参考訳（メタデータ） (2020-10-20T17:31:07Z)
• SPLAT: Speech-Language Joint Pre-Training for Spoken Language Understanding [61.02342238771685]
  音声理解には、入力音響信号を解析してその言語内容を理解し、予測するモデルが必要である。 大規模無注釈音声やテキストからリッチな表現を学習するために,様々な事前学習手法が提案されている。 音声と言語モジュールを協調的に事前学習するための,新しい半教師付き学習フレームワークであるSPLATを提案する。
  論文  参考訳（メタデータ） (2020-10-05T19:29:49Z)
• Comparison Between Traditional Machine Learning Models And Neural Network Models For Vietnamese Hate Speech Detection [2.7528170226206443]
  近年,ソーシャルネットワークにおけるHate-Speech検出が主要な研究分野の1つとなっている。 ベトナムでは、攻撃やハラスメントの脅威がオンラインユーザーに悪影響を及ぼす。 ベトナムのソーシャルネットワークにおけるユーザのコメントに関する大規模なデータセットにおいて、従来の機械学習とディープラーニングを比較した。
  論文  参考訳（メタデータ） (2020-01-31T09:28:57Z)

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。