論文の概要: Detecting early signs of depression in the conversational domain: The role of transfer learning in low-resource scenarios

• arxiv url: http://arxiv.org/abs/2204.10841v1
• Date: Fri, 22 Apr 2022 17:35:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-25 13:00:32.039197
• Title: Detecting early signs of depression in the conversational domain: The role of transfer learning in low-resource scenarios
• Title（参考訳）: 会話領域における抑うつの早期兆候の検出:低リソースシナリオにおける転帰学習の役割
• Authors: Petr Lorenc, Ana-Sabina Uban, Paolo Rosso, Jan \v{S}ediv\'y
• Abstract要約: 既存の研究は主にソーシャルメディアの領域におけるうつ病の発見に重点を置いている。 SiriやAlexaのような会話エージェントの台頭により、会話ドメインはますます重要になりつつある。 本研究では,ソーシャルメディアから会話領域へのドメイン適応に着目した研究を行う。
• 参考スコア（独自算出の注目度）: 6.94048529889693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The high prevalence of depression in society has given rise to the need for new digital tools to assist in its early detection. To this end, existing research has mainly focused on detecting depression in the domain of social media, where there is a sufficient amount of data. However, with the rise of conversational agents like Siri or Alexa, the conversational domain is becoming more critical. Unfortunately, there is a lack of data in the conversational domain. We perform a study focusing on domain adaptation from social media to the conversational domain. Our approach mainly exploits the linguistic information preserved in the vector representation of text. We describe transfer learning techniques to classify users who suffer from early signs of depression with high recall. We achieve state-of-the-art results on a commonly used conversational dataset, and we highlight how the method can easily be used in conversational agents. We publicly release all source code.
• Abstract（参考訳）: 社会におけるうつ病の発生率の高さは、早期発見を支援する新しいデジタルツールの必要性を生じさせている。 この目的のために、既存の研究は主に十分な量のデータがあるソーシャルメディアの領域におけるうつ病の検出に重点を置いている。 しかし、SiriやAlexaのような会話エージェントの台頭により、会話ドメインはますます重要になっている。 残念ながら、会話領域にはデータが不足しています。 本研究では,ソーシャルメディアから会話領域へのドメイン適応に着目した研究を行う。 本手法は主にテキストのベクトル表現に保存された言語情報を利用する。 本稿では,うつ病の早期徴候と高リコールに苦しむユーザを分類する転校学習手法について述べる。 我々は,一般的な会話型データセット上で最先端の結果を得るとともに,その方法が会話型エージェントでどのように簡単に使用できるかを強調する。 すべてのソースコードを公開しています。

関連論文リスト

• Interactive Dialogue Agents via Reinforcement Learning on Hindsight Regenerations [58.65755268815283]
  多くの実際の対話は対話的であり、つまりエージェントの発話が会話の相手に影響を与えるか、情報を引き出すか、意見を変えるかである。 この事実を利用して、既存の最適データを書き直し、拡張し、オフライン強化学習(RL)を介してトレーニングする。 実際の人間によるユーザ調査の結果、我々のアプローチは既存の最先端の対話エージェントを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-07T21:37:51Z)
• Identifying depression-related topics in smartphone-collected free-response speech recordings using an automatic speech recognition system and a deep learning topic model [7.825530847570242]
  参加者265人を対象に,3919件のスマートフォンによる音声録音で29項目を抽出した。 PHQ-8の中央値が10以上の6つのトピックがうつ病のリスクトピックとみなされた。 また, 話題変化とうつ病重症度の変化との関係について検討した。
  論文  参考訳（メタデータ） (2023-08-22T20:30:59Z)
• Depression detection in social media posts using affective and social norm features [84.12658971655253]
  ソーシャルメディア投稿からの抑うつ検出のための奥深いアーキテクチャを提案する。 我々は、後期融合方式を用いて、ポストとワードの敬称と道徳的特徴をアーキテクチャに組み込んだ。 提案された機能を含めると、両方の設定で最先端の結果が得られます。
  論文  参考訳（メタデータ） (2023-03-24T21:26:27Z)
• ReDDIT: Regret Detection and Domain Identification from Text [62.997667081978825]
  本稿では,Redditテキストのデータセットを,Regret by Action,Regret by Inaction,No Regretの3つのクラスに分類した。 以上の結果から,Reddit利用者は過去の行動,特に関係領域における後悔を表明しがちであることがわかった。
  論文  参考訳（メタデータ） (2022-12-14T23:41:57Z)
• Semantic Similarity Models for Depression Severity Estimation [53.72188878602294]
  本稿では、ソーシャルメディアの文章に基づいて、個人のうつ病の重症度を研究するための効率的なセマンティックパイプラインを提案する。 我々は,抑うつ症状と重度レベルに対応する代表訓練文の指標に対して意味的ランキングを生成するために,テストユーザ文を使用する。 本手法を2つのRedditベースのベンチマークで評価し,うつ病の重症度を指標として,最先端技術よりも30%改善した。
  論文  参考訳（メタデータ） (2022-11-14T18:47:26Z)
• Knowledge-Grounded Conversational Data Augmentation with Generative Conversational Networks [76.11480953550013]
  生成会話ネットワークを用いて会話データを自動的に生成する。 我々は、Topical Chatデータセット上で、知識のない会話に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-07-22T22:37:14Z)
• Open Domain Question Answering over Virtual Documents: A Unified Approach for Data and Text [62.489652395307914]
  我々は、知識集約型アプリケーションのための構造化知識を符号化する手段として、Data-to-text法、すなわち、オープンドメイン質問応答(QA)を用いる。 具体的には、ウィキペディアとウィキソースの3つのテーブルを付加知識源として使用する、データとテキスト上でのオープンドメインQAのための冗長化-レトリバー・リーダー・フレームワークを提案する。 UDT-QA(Unified Data and Text QA)は,知識インデックスの拡大を効果的に活用できることを示す。
  論文  参考訳（メタデータ） (2021-10-16T00:11:21Z)
• A Psychologically Informed Part-of-Speech Analysis of Depression in Social Media [1.7188280334580193]
  私たちは、Early Risk Prediction on the Internet Workshop (eRisk) 2018のうつ病データセットを使用します。 その結果, うつ病者と非うつ病者の間に統計的に有意な差が認められた。 我々の研究は、抑うつした個人がソーシャルメディアプラットフォーム上で自己表現している方法に関する洞察を提供する。
  論文  参考訳（メタデータ） (2021-07-31T16:23:22Z)
• Towards Preemptive Detection of Depression and Anxiety in Twitter [14.877991297466174]
  うつ病と不安は、日常生活の多くの領域で観察される精神疾患である。 我々は、Twitterにおけるうつ病と不安検出の研究を促進するために設計されたデータセットを開発した。
  論文  参考訳（メタデータ） (2020-11-10T17:17:23Z)
• Machine Learning-based Approach for Depression Detection in Twitter Using Content and Activity Features [0.0]
  近年の研究では、ソーシャルメディアサイトの利用率とうつ病の増加の相関が示されている。 本研究の目的は、ネットワークの振る舞いとつぶやきの両方に基づいて、潜在的に落ち込んだTwitterユーザーを検出する機械学習技術を活用することである。
  論文  参考訳（メタデータ） (2020-03-09T11:27:39Z)

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。