論文の概要: Life is not Always Depressing: Exploring the Happy Moments of People
Diagnosed with Depression
- arxiv url: http://arxiv.org/abs/2204.13569v1
- Date: Thu, 28 Apr 2022 15:32:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 17:24:33.352736
- Title: Life is not Always Depressing: Exploring the Happy Moments of People
Diagnosed with Depression
- Title（参考訳）: 人生は常にうつ病ではない:うつ病に罹患した人々の幸せな気分を探る
- Authors: Ana-Maria Bucur, Adrian Cosma, Liviu P. Dinu
- Abstract要約: 我々は、ポジティブ・アンラベル学習パラダイムを用いて、うつ病と診断されたユーザーの両方のソーシャルメディア投稿から幸せな瞬間を自動的に抽出する。
抑うつ者の生活は必ずしも暗いものではなく、友人や家族にまつわるポジティブな出来事は、コントロールユーザーによって報告されるよりありふれた幸せな出来事と比較して、彼らの生活に注目すべきものであることを示す。
- 参考スコア（独自算出の注目度）: 22.61333131518207
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we explore the relationship between depression and
manifestations of happiness in social media. While the majority of works
surrounding depression focus on symptoms, psychological research shows that
there is a strong link between seeking happiness and being diagnosed with
depression. We make use of Positive-Unlabeled learning paradigm to
automatically extract happy moments from social media posts of both controls
and users diagnosed with depression, and qualitatively analyze them with
linguistic tools such as LIWC and keyness information. We show that the life of
depressed individuals is not always bleak, with positive events related to
friends and family being more noteworthy to their lives compared to the more
mundane happy events reported by control users.
- Abstract（参考訳）: 本研究では,ソーシャルメディアにおける抑うつと幸福感の関係について考察する。
うつ病を取り巻く作品の多くは症状に焦点を当てているが、心理学的な研究は幸福を求めることとうつ病と診断されることの間に強い関係があることを示している。
ポジティブなラベルのない学習パラダイムを用いて,抑うつと診断されたユーザのソーシャルメディア投稿から幸福な瞬間を自動的に抽出し,liwcやキーネス情報といった言語ツールを用いて質的に分析する。
抑うつ状態の人の生活は必ずしも弱くなく、友人や家族に関するポジティブな出来事は、コントロールの利用者が報告したより平凡な幸福な出来事と比較して、彼らの生活に特に注目される。
関連論文リスト
- Exploring Social Media Posts for Depression Identification: A Study on Reddit Dataset [0.0]
うつ病は個人の個人的および専門的な生活に影響を与える最も一般的な精神疾患の1つである。
本研究では,個人のうつ病を識別するためのソーシャルメディア投稿の活用の可能性について検討した。
論文 参考訳（メタデータ） (2024-04-16T06:25:51Z) - 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) - 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) - Cordyceps@LT-EDI: Depression Detection with Reddit and Self-training [0.0]
うつ病は不安定であり、まれではない。事実、過度のソーシャルメディア利用者の研究は、うつ病、ADHD、その他のメンタルヘルスの懸念と相関している。
本研究では,重度,中等度,低レベルのうつ病を経験しているユーザからの投稿を予測するために,半教師付き学習技術を用いた重度うつ病検出システムを提案する。
論文 参考訳（メタデータ） (2023-09-24T01:14:49Z) - 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) - 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) - 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) - Mental Illness Classification on Social Media Texts using Deep Learning
and Transfer Learning [55.653944436488786]
世界保健機関(WHO)によると、約4億5000万人が影響を受ける。
うつ病、不安症、双極性障害、ADHD、PTSDなどの精神疾患。
本研究では、Redditプラットフォーム上の非構造化ユーザデータを分析し、うつ病、不安、双極性障害、ADHD、PTSDの5つの一般的な精神疾患を分類する。
論文 参考訳（メタデータ） (2022-07-03T11:33:52Z) - 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) - 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) - Examining the Role of Mood Patterns in Predicting Self-Reported
Depressive symptoms [4.564132389935269]
うつ病は世界中で障害の主な原因である。
ソーシャルメディア投稿からうつ病信号を検出する最初の試みは、有望な結果を示している。
本研究では,ソーシャルメディア利用者を対象とした「ムードプロファイル」を構築し,うつ病の症状を検出するための現在の技術を強化することを試みる。
論文 参考訳（メタデータ） (2020-06-14T12:48:43Z)
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。