論文の概要: A Quantitative and Qualitative Analysis of Suicide Ideation Detection using Deep Learning

• arxiv url: http://arxiv.org/abs/2206.08673v1
• Date: Fri, 17 Jun 2022 10:23:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-20 14:02:22.983322
• Title: A Quantitative and Qualitative Analysis of Suicide Ideation Detection using Deep Learning
• Title（参考訳）: 深層学習を用いた自殺思想検出の定量的・質的分析
• Authors: Siqu Long, Rina Cabral, Josiah Poon, Soyeon Caren Han
• Abstract要約: 本稿では,競合するソーシャルメディアによる自殺検知・予測モデルを再現した。 複数のデータセットと異なる最先端ディープラーニングモデルを用いて自殺思考の検出の可能性を検討した。
• 参考スコア（独自算出の注目度）: 5.192118773220605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For preventing youth suicide, social media platforms have received much attention from researchers. A few researches apply machine learning, or deep learning-based text classification approaches to classify social media posts containing suicidality risk. This paper replicated competitive social media-based suicidality detection/prediction models. We evaluated the feasibility of detecting suicidal ideation using multiple datasets and different state-of-the-art deep learning models, RNN-, CNN-, and Attention-based models. Using two suicidality evaluation datasets, we evaluated 28 combinations of 7 input embeddings with 4 commonly used deep learning models and 5 pretrained language models in quantitative and qualitative ways. Our replication study confirms that deep learning works well for social media-based suicidality detection in general, but it highly depends on the dataset's quality.
• Abstract（参考訳）: 若者の自殺を防ぐため、ソーシャルメディアプラットフォームは研究者から多くの注目を集めている。 スーシダリティリスクを含むソーシャルメディア投稿を分類するために、機械学習またはディープラーニングベースのテキスト分類アプローチを適用するいくつかの研究がある。 本稿では,競争性のあるソーシャルメディアを用いたsuicidality detection/predictionモデルを再現した。 複数のデータセットと異なる最先端ディープラーニングモデル(RNN-, CNN-, Attention-based model)を用いて自殺思考の検出の可能性を検討した。 2つの自殺評価データセットを用いて、7つの入力埋め込みと4つの一般的なディープラーニングモデルと5つの事前学習言語モデルの組み合わせを定量的および定性的に評価した。 当社のレプリケーション研究は、ディープラーニングがソーシャルメディアベースのsuicidality検出全般に有効であることを確認していますが、データセットの品質に大きく依存しています。

関連論文リスト

• Leveraging Large Language Models for Suicide Detection on Social Media with Limited Labels [3.1399304968349186]
  本稿では,テキストベースのソーシャルメディア投稿における自殺的内容を自動的に検出するLarge Language Models (LLMs) について検討する。 我々は,Qwen2-72B-インストラクションの促進とLlama3-8B,Llama3.1-8B,Gemma2-9Bなどの微調整モデルを用いたアンサンブルアプローチを開発した。 実験の結果,アンサンブルモデルでは個々のモデルと比較して5%の精度で検出精度が向上した。
  論文  参考訳（メタデータ） (2024-10-06T14:45:01Z)
• SOS-1K: A Fine-grained Suicide Risk Classification Dataset for Chinese Social Media Analysis [22.709733830774788]
  本研究では,自殺リスクの詳細な分類を目的とした,中国のソーシャルメディアデータセットを提案する。 事前訓練した7つのモデルについて, 自殺リスクが高い, 自殺リスクが少ない, 自殺リスクの細かい分類が0～10の2つのタスクで評価された。 ディープラーニングモデルは高い自殺リスクと低い自殺リスクを区別する上で優れた性能を示し、最良のモデルはF1スコア88.39%である。
  論文  参考訳（メタデータ） (2024-04-19T06:58:51Z)
• Detecting Suicidality in Arabic Tweets Using Machine Learning and Deep Learning Techniques [0.32885740436059047]
  本研究は,Twitterからアラビアの自殺検知データセットを開発した。 これは、Twitterからアラビアの自殺検知データセットを開発した最初の研究である。
  論文  参考訳（メタデータ） (2023-09-01T04:30:59Z)
• Verifying the Robustness of Automatic Credibility Assessment [50.55687778699995]
  入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。 また、誤情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAについても紹介する。 我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
  論文  参考訳（メタデータ） (2023-03-14T16:11:47Z)
• An ensemble deep learning technique for detecting suicidal ideation from posts in social media platforms [0.0]
  本稿ではLSTM-Attention-CNN複合モデルを提案する。 提案されたモデルは90.3%の精度、F1スコア92.6%の精度を示した。
  論文  参考訳（メタデータ） (2021-12-17T15:34:03Z)
• Detecting Potentially Harmful and Protective Suicide-related Content on Twitter: A Machine Learning Approach [0.1582078748632554]
  我々は大量のTwitterデータを自動ラベル付けするために機械学習手法を適用した。 2つのディープラーニングモデルが2つの分類タスクで最高のパフォーマンスを達成した。 本研究は, 各種ソーシャルメディアコンテンツが自殺率, ヘルプ・サーキング行動に与える影響について, 今後の大規模調査を可能にするものである。
  論文  参考訳（メタデータ） (2021-12-09T09:35:48Z)
• Perceptual Score: What Data Modalities Does Your Model Perceive? [73.75255606437808]
  モデルが入力特徴の異なる部分集合に依存する度合いを評価する指標である知覚スコアを導入する。 近年,視覚的質問応答に対するマルチモーダルモデルでは,前者よりも視覚的データを知覚しにくい傾向がみられた。 知覚スコアを使用することで、スコアをデータサブセットのコントリビューションに分解することで、モデルのバイアスを分析することもできる。
  論文  参考訳（メタデータ） (2021-10-27T12:19:56Z)
• Deep convolutional forest: a dynamic deep ensemble approach for spam detection in text [219.15486286590016]
  本稿では,スパム検出のための動的深層アンサンブルモデルを提案する。 その結果、このモデルは高い精度、リコール、f1スコア、98.38%の精度を達成した。
  論文  参考訳（メタデータ） (2021-10-10T17:19:37Z)
• AES Systems Are Both Overstable And Oversensitive: Explaining Why And Proposing Defenses [66.49753193098356]
  スコアリングモデルの驚くべき逆方向の脆さの原因について検討する。 のモデルとして訓練されているにもかかわらず、単語の袋のように振る舞うことを示唆している。 高い精度で試料を発生させる過敏性と過敏性を検出できる検出ベース保護モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-24T03:49:38Z)
• Is Automated Topic Model Evaluation Broken?: The Incoherence of Coherence [62.826466543958624]
  トピックモデル評価における標準化のギャップと検証のギャップについて考察する。 これらの指標によると、最近のニューラルネットワークコンポーネントに依存したモデルは、古典的なトピックモデルを超えている。 我々は,話題評価と単語侵入という,最も広く受け入れられている2つの人間の判断タスクとともに,自動的コヒーレンスを用いる。
  論文  参考訳（メタデータ） (2021-07-05T17:58:52Z)
• Can x2vec Save Lives? Integrating Graph and Language Embeddings for Automatic Mental Health Classification [91.3755431537592]
  グラフと言語の埋め込みモデル(metapath2vec と doc2vec)がリソース制限を回避する方法を示します。 統合されると、両データは高度に正確な予測を生成する(90%、偽陽性10%、偽陰性12%)。 これらの結果は、大規模ネットワークにおける行動と言語を同時に分析することの重要性の研究を拡大する。
  論文  参考訳（メタデータ） (2020-01-04T20:56:21Z)

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。