論文の概要: Interpretability of Fine-grained Classification of Sadness and
Depression
- arxiv url: http://arxiv.org/abs/2203.10432v1
- Date: Sun, 20 Mar 2022 02:34:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-26 12:30:07.670140
- Title: Interpretability of Fine-grained Classification of Sadness and
Depression
- Title(参考訳): 悲しみと抑うつの細粒度分類の解釈可能性
- Authors: Tiasa Singha Roy, Priyam Basu, Aman Priyanshu and Rakshit Naidu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While sadness is a human emotion that people experience at certain times
throughout their lives, inflicting them with emotional disappointment and pain,
depression is a longer term mental illness which impairs social, occupational,
and other vital regions of functioning making it a much more serious issue and
needs to be catered to at the earliest. NLP techniques can be utilized for the
detection and subsequent diagnosis of these emotions. Most of the open sourced
data on the web deal with sadness as a part of depression, as an emotion even
though the difference in severity of both is huge. Thus, we create our own
novel dataset illustrating the difference between the two. In this paper, we
aim to highlight the difference between the two and highlight how interpretable
our models are to distinctly label sadness and depression. Due to the sensitive
nature of such information, privacy measures need to be taken for handling and
training of such data. Hence, we also explore the effect of Federated Learning
(FL) on contextualised language models.
- Abstract(参考訳): 悲しみは、人々が人生を通じて一定の時間に経験する人間の感情であり、感情的な失望と痛みを伴うが、うつ病は、社会的、職業的、その他の重要な機能領域を損なう長期的な精神疾患であり、より深刻な問題となり、早期に対処する必要がある。
NLP技術はこれらの感情の検出とその後の診断に利用できる。
web上のオープンソースのデータのほとんどは、その重大さの違いが巨大であるにも関わらず、感情として、うつ病の一部として悲しみを扱っている。
そこで我々は,この2つの違いを示す新しいデータセットを作成した。
本稿では,この2つの違いを強調し,悲しみと抑うつを区別するモデルがいかに解釈可能であるかを強調する。
このような情報の繊細な性質のため、そのようなデータの扱いやトレーニングにはプライバシー対策を講ずる必要がある。
したがって,フェデレート学習(FL)が文脈言語モデルに与える影響についても検討する。
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) - 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) - Language Models (Mostly) Do Not Consider Emotion Triggers When Predicting Emotion [87.18073195745914]
人間の感情が感情の予測において有意であると考えられる特徴とどのように相関するかを検討する。
EmoTriggerを用いて、感情のトリガーを識別する大規模言語モデルの能力を評価する。
分析の結果、感情のトリガーは感情予測モデルにとって健全な特徴ではなく、様々な特徴と感情検出のタスクの間に複雑な相互作用があることが判明した。
論文 参考訳(メタデータ) (2023-11-16T06:20:13Z) - MASON-NLP at eRisk 2023: Deep Learning-Based Detection of Depression
Symptoms from Social Media Texts [0.0]
うつ病は精神疾患であり、人々の生活に大きな影響を及ぼす。
最近の研究は、うつ病の兆候が個人のコミュニケーションの仕方で検出できることを示唆している。
ソーシャルメディア投稿は、うつ病の症状を調べるためのリッチで便利なテキストソースです。
論文 参考訳(メタデータ) (2023-10-17T02:34:34Z) - Handwriting and Drawing for Depression Detection: A Preliminary Study [53.11777541341063]
精神健康に対する短期的コビデンスの影響は、不安や抑うつ症状の顕著な増加であった。
本研究の目的は、健康な人とうつ病患者を識別するために、オンライン手書き・図面解析という新しいツールを使用することである。
論文 参考訳(メタデータ) (2023-02-05T22:33:49Z) - 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) - DASentimental: Detecting depression, anxiety and stress in texts via
emotional recall, cognitive networks and machine learning [0.0]
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。
論文 参考訳(メタデータ) (2021-10-26T13:58:46Z) - Affective Image Content Analysis: Two Decades Review and New
Perspectives [132.889649256384]
我々は,過去20年間の情緒的イメージコンテンツ分析(AICA)の発展を包括的にレビューする。
我々は、感情的ギャップ、知覚主観性、ラベルノイズと欠如という3つの主要な課題に関して、最先端の手法に焦点を当てる。
画像の内容やコンテキスト理解,グループ感情クラスタリング,ビューアーとイメージのインタラクションなど,今後の課題や研究の方向性について論じる。
論文 参考訳(メタデータ) (2021-06-30T15:20:56Z) - 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) - 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) - Affective Conditioning on Hierarchical Networks applied to Depression
Detection from Transcribed Clinical Interviews [0.0]
抑うつは、被験者の気分だけでなく、言語の使用にも影響を及ぼす精神障害である。
我々は階層的注意ネットワークを用いて抑うつ者のインタビューを分類する。
我々は,情緒的レキシカから抽出した言語的特徴の条件付け機構により,モデルの注意層を増強する。
論文 参考訳(メタデータ) (2020-06-04T20:55:22Z)
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。