論文の概要: CAMS: An Annotated Corpus for Causal Analysis of Mental Health Issues in
Social Media Posts
- arxiv url: http://arxiv.org/abs/2207.04674v1
- Date: Mon, 11 Jul 2022 07:38:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-13 00:08:26.908113
- Title: CAMS: An Annotated Corpus for Causal Analysis of Mental Health Issues in
Social Media Posts
- Title（参考訳）: CAMS:ソーシャルメディア投稿におけるメンタルヘルス問題の因果分析のための注釈付きコーパス
- Authors: Muskan Garg, Chandni Saxena, Veena Krishnan, Ruchi Joshi, Sriparna
Saha, Vijay Mago, Bonnie J Dorr
- Abstract要約: ソーシャルメディア投稿(CAMS)におけるメンタルヘルス問題の因果分析のための新しいデータセットについて紹介する。
因果的分析への我々の貢献は、因果的解釈と因果的分類である。
本稿では,CAMSデータセットから得られたモデルの実験結果と,従来のロジスティック回帰モデルが次善(CNN-LSTM)モデルよりも4.9%精度で優れていることを示す。
- 参考スコア（独自算出の注目度）: 17.853932382843222
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Research community has witnessed substantial growth in the detection of
mental health issues and their associated reasons from analysis of social
media. We introduce a new dataset for Causal Analysis of Mental health issues
in Social media posts (CAMS). Our contributions for causal analysis are
two-fold: causal interpretation and causal categorization. We introduce an
annotation schema for this task of causal analysis. We demonstrate the efficacy
of our schema on two different datasets: (i) crawling and annotating 3155
Reddit posts and (ii) re-annotating the publicly available SDCNL dataset of
1896 instances for interpretable causal analysis. We further combine these into
the CAMS dataset and make this resource publicly available along with
associated source code: https://github.com/drmuskangarg/CAMS. We present
experimental results of models learned from CAMS dataset and demonstrate that a
classic Logistic Regression model outperforms the next best (CNN-LSTM) model by
4.9\% accuracy.
- Abstract（参考訳）: 研究コミュニティは、ソーシャルメディアの分析によるメンタルヘルス問題とその関連する理由の検出において、かなりの成長を見せている。
ソーシャルメディア投稿(cams)におけるメンタルヘルス問題の因果分析のための新しいデータセットを提案する。
因果分析への私たちの貢献は、因果解釈と因果分類の2つです。
本稿では,この因果解析のためのアノテーションスキーマを提案する。
2つの異なるデータセットでスキーマの有効性を示す。
(i)3155のreddit投稿のクロールと注釈
(ii)解釈可能な因果分析のために1896年インスタンスのsdcnlデータセットを再注釈する。
さらにこれらをCAMSデータセットと組み合わせて、関連するソースコードとともに、このリソースを公開します。
本稿では,CAMSデータセットから得られたモデルの実験結果と,従来のロジスティック回帰モデルが次善(CNN-LSTM)モデルよりも4.9倍精度で優れていることを示す。
関連論文リスト
- Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳（メタデータ） (2023-11-16T07:22:56Z) - Question-Answering Model for Schizophrenia Symptoms and Their Impact on
Daily Life using Mental Health Forums Data [0.0]
メンタルヘルスのフォーラムは統合失調症と異なる精神疾患に苦しむ人々のためのフォーラムである。
データセットを前処理してQAデータセットに変換する方法が示されている。
BiBERT、DistilBERT、RoBERTa、BioBERTモデルはF1-Score、Exact Match、Precision、Recallを通じて微調整され評価された。
論文 参考訳（メタデータ） (2023-09-30T17:50:50Z) - MentaLLaMA: Interpretable Mental Health Analysis on Social Media with
Large Language Models [28.62967557368565]
ソーシャルメディア上に,最初のマルチタスクおよびマルチソース解釈可能なメンタルヘルスインストラクションデータセットを構築した。
専門家が作成した数発のプロンプトとラベルを収集し,ChatGPTをプロンプトし,その応答から説明を得る。
IMHIデータセットとLLaMA2ファンデーションモデルに基づいて、メンタルヘルス分析のための最初のオープンソースLLMシリーズであるMentalLLaMAを訓練する。
論文 参考訳（メタデータ） (2023-09-24T06:46:08Z) - Discovering Mental Health Research Topics with Topic Modeling [13.651763262606782]
本研究は,精神保健研究論文の大規模データセットを解析することにより,現場における一般的な傾向を把握し,ハイインパクトな研究トピックを特定することを目的とする。
本データセットは、精神保健に関する96,676件の研究論文からなり、その要約を用いて、異なるトピック間の関係を調べることができる。
分析を強化するため,精神保健研究に応用された機械学習モデルの包括的概要を提供するために,ワードクラウドも生成した。
論文 参考訳（メタデータ） (2023-08-25T05:25:05Z) - Multi-class Categorization of Reasons behind Mental Disturbance in Long
Texts [0.0]
我々はLongformerを用いて、自己報告されたテキストで精神疾患の背景にある因果指標を見つける問題に対処する。
実験によると、Longformerは62%のF1スコアを持つ公開データセットであるM-CAMSで、最先端の新たな結果を達成している。
我々の研究は、うつ病や自殺リスクの因果分析をソーシャルメディアデータ上で促進し、他の精神状態に適用する可能性を示していると信じている。
論文 参考訳（メタデータ） (2023-04-08T22:44:32Z) - Explainable Causal Analysis of Mental Health on Social Media Data [0.0]
ソーシャルメディア上でのメンタルヘルス問題に対するマルチクラス因果分類は、誤った予測の大きな課題である。
データセットにおける因果的説明/不適切な人間アノテーション推論の不整合性。
本研究では,マルチクラス因果分類における不整合の原因を明らかにする。
論文 参考訳（メタデータ） (2022-10-16T03:34:47Z) - Causal Intervention Improves Implicit Sentiment Analysis [67.43379729099121]
インスツルメンタル・バリアブル(ISAIV)を用いたインシシット・センシティメント分析のための因果介入モデルを提案する。
まず、因果的視点から感情分析をレビューし、このタスクに存在する共同設立者を分析する。
そこで本研究では,文章と感情の因果関係を解消し,純粋因果関係を抽出するインストゥルメンタル変数を提案する。
論文 参考訳（メタデータ） (2022-08-19T13:17:57Z) - Analyzing the Effects of Handling Data Imbalance on Learned Features
from Medical Images by Looking Into the Models [50.537859423741644]
不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。
ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
論文 参考訳（メタデータ） (2022-04-04T09:38:38Z) - A comprehensive comparative evaluation and analysis of Distributional
Semantic Models [61.41800660636555]
我々は、静的DSMによって生成されたり、BERTによって生成された文脈化されたベクトルを平均化して得られるような、型分布ベクトルの包括的評価を行う。
その結果、予測ベースモデルの優越性は現実よりも明らかであり、ユビキタスではないことが明らかとなった。
我々は認知神経科学からRepresentational similarity Analysis(RSA)の方法論を借りて、分布モデルによって生成された意味空間を検査する。
論文 参考訳（メタデータ） (2021-05-20T15:18:06Z) - Two-step penalised logistic regression for multi-omic data with an
application to cardiometabolic syndrome [62.997667081978825]
我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。
私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。
提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
論文 参考訳（メタデータ） (2020-08-01T10:36:27Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。