論文の概要: A Computational Approach to Understand Mental Health from Reddit:
Knowledge-aware Multitask Learning Framework
- arxiv url: http://arxiv.org/abs/2203.11856v1
- Date: Tue, 22 Mar 2022 16:32:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 13:07:03.196904
- Title: A Computational Approach to Understand Mental Health from Reddit:
Knowledge-aware Multitask Learning Framework
- Title（参考訳）: redditからメンタルヘルスを理解するための計算的アプローチ:知識を意識したマルチタスク学習フレームワーク
- Authors: Usha Lokala, Aseem Srivastava, Triyasha Ghosh Dastidar, Tanmoy
Chakraborty, Md Shad Akthar, Maryam Panahiazar, and Amit Sheth
- Abstract要約: ソーシャルメディアを用いてメンタルヘルス(MH)症状を抽出する研究は、症状の検出を考慮し、ユーザのコンテキスト、病気、性別を無視する傾向がある。
本研究の目的は, CVDに関連するMH症状が, ソーシャルメディア上での性別によってどのように表現されるかを把握するシステムの設計と評価である。
CVD患者のMH症状を性別に基づいて識別するタスク適応型マルチタスク学習手法であるGeMを提案する。
- 参考スコア（独自算出の注目度）: 18.061244053720714
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Analyzing gender is critical to study mental health (MH) support in CVD
(cardiovascular disease). The existing studies on using social media for
extracting MH symptoms consider symptom detection and tend to ignore user
context, disease, or gender. The current study aims to design and evaluate a
system to capture how MH symptoms associated with CVD are expressed differently
with the gender on social media. We observe that the reliable detection of MH
symptoms expressed by persons with heart disease in user posts is challenging
because of the co-existence of (dis)similar MH symptoms in one post and due to
variation in the description of symptoms based on gender. We collect a corpus
of $150k$ items (posts and comments) annotated using the subreddit labels and
transfer learning approaches. We propose GeM, a novel task-adaptive multi-task
learning approach to identify the MH symptoms in CVD patients based on gender.
Specifically, we adapt a knowledge-assisted RoBERTa based bi-encoder model to
capture CVD-related MH symptoms. Moreover, it enhances the reliability for
differentiating the gender language in MH symptoms when compared to the
state-of-art language models. Our model achieves high (statistically
significant) performance and predicts four labels of MH issues and two gender
labels, which outperforms RoBERTa, improving the recall by 2.14% on the symptom
identification task and by 2.55% on the gender identification task.
- Abstract（参考訳）: 性分析は、CVD(心血管疾患)の精神保健(MH)サポートを研究する上で重要である。
MH症状の抽出にソーシャルメディアを用いた研究は、症状の検出を考慮し、ユーザのコンテキスト、病気、性別を無視する傾向がある。
本研究は, CVDに関連するMH症状が, ソーシャルメディア上での性別によってどのように表現されるかを把握するシステムの設計と評価を目的としている。
本研究は, 心疾患患者に発症するMH症状の信頼性は, 同一のポストに同一のMH症状が存在すること, 性別による症状記述の変動が原因で, 難易度が高いことが示唆された。
サブレディットラベルとトランスファーラーニングアプローチを使用して注釈付けされた150k$アイテム(ポストとコメント)のコーパスを収集します。
CVD患者のMH症状を性別に基づいて識別するタスク適応型マルチタスク学習手法であるGeMを提案する。
具体的には,知識支援型RoBERTaを用いたバイエンコーダモデルを適用し,CVD関連MH症状を捉える。
さらに,mh症状における性言語分化の信頼性を,最先端言語モデルと比較して高めている。
我々のモデルは高い(統計的に重要な)性能を達成し、4つのMH問題と2つの性別ラベルを予測し、RoBERTaを上回り、症状識別タスクでは2.14%、性別識別タスクでは2.55%改善する。
関連論文リスト
- Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。
我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。
本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2024-09-22T02:06:05Z) - Exploring the Task-agnostic Trait of Self-supervised Learning in the Context of Detecting Mental Disorders [2.314534951601432]
自己教師付き学習(SSL)は、様々な領域にまたがるタスクに依存しない表現を生成するために研究されている。
この研究では、複数の固定されたターゲットまたはマスクされたフレームを予測することでトレーニングされたSSLモデルを採用する。
本稿では,MDDおよびPTSDの検出において,生成した表現をより効率的にするための固定目標のリストを提案する。
論文 参考訳（メタデータ） (2024-03-22T12:46:58Z) - M4GT-Bench: Evaluation Benchmark for Black-Box Machine-Generated Text Detection [69.41274756177336]
大規模言語モデル (LLMs) は様々なチャネルにまたがる機械生成テキスト (MGT) を前例のない急激な増加をもたらした。
このことは、その潜在的な誤用と社会的意味に関する正当な懸念を提起する。
本稿では,MGT-M4GT-Benchの多言語,マルチドメイン,マルチジェネレータコーパスに基づく新しいベンチマークを提案する。
論文 参考訳（メタデータ） (2024-02-17T02:50:33Z) - Streamlining Social Media Information Retrieval for COVID-19 Research with Deep Learning [19.675191059975877]
ソーシャルメディアを基盤とする公衆衛生研究は、疫病の監視に不可欠である。
ほとんどの研究はキーワードマッチングを伴う関連コーパスを特定している。
本研究は,口語医学辞典の整理過程を合理化するシステムを開発した。
論文 参考訳（メタデータ） (2023-06-28T08:20:35Z) - Incorporating Emotions into Health Mention Classification Task on Social
Media [70.23889100356091]
情緒的特徴を取り入れた健康言及分類のための枠組みを提案する。
我々は,ソーシャルメディアプラットフォームによる5つのHMC関連データセットに対するアプローチを評価した。
以上の結果から,感情的な知識を取り入れたHMCモデルが有効な選択肢であることが示唆された。
論文 参考訳（メタデータ） (2022-12-09T18:38:41Z) - Detecting the Severity of Major Depressive Disorder from Speech: A Novel
HARD-Training Methodology [8.832823703632073]
メジャー・うつ病(Major Depressive Disorder、MDD)は、社会経済的コストの高い世界的メンタルヘルス問題である。
したがって、MDDの予測と自動検出は社会に大きな影響を与える可能性がある。
RADAR-MDDは、音声やその他のデジタルバイオマーカーを収集する観察コホート研究である。
論文 参考訳（メタデータ） (2022-06-02T13:26:03Z) - Symptom Identification for Interpretable Detection of Multiple Mental
Disorders [22.254532020321925]
ソーシャルメディアからの精神疾患の検出は、一般化性や解釈性に乏しい。
PsySymは,多発性精神疾患の最初の症状同定コーパスである。
論文 参考訳（メタデータ） (2022-05-23T13:51:48Z) - Explainable Identification of Dementia from Transcripts using
Transformer Networks [0.0]
アルツハイマー病(英語: Alzheimer's disease, AD)は、認知症の主要な原因であり、記憶喪失を伴い、時間通りに診断されない場合の日常生活に深刻な結果をもたらす可能性がある。
本稿では,2つのマルチタスク学習モデルを紹介し,主課題は認知症(バイナリ分類)の同定であり,補助課題は認知症の重症度(マルチクラス分類)の同定に対応する。
マルチタスク学習環境におけるAD患者検出の精度は84.99%である。
論文 参考訳（メタデータ） (2021-09-14T21:49:05Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z) - Towards Causality-Aware Inferring: A Sequential Discriminative Approach
for Medical Diagnosis [142.90770786804507]
医学診断アシスタント(MDA)は、疾患を識別するための症状を逐次調査する対話型診断エージェントを構築することを目的としている。
この研究は、因果図を利用して、MDAにおけるこれらの重要な問題に対処しようとする。
本稿では,他の記録から知識を引き出すことにより,非記録的調査に効果的に答える確率に基づく患者シミュレータを提案する。
論文 参考訳（メタデータ） (2020-03-14T02:05:54Z)
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。