論文の概要: SERCNN: Stacked Embedding Recurrent Convolutional Neural Network in
Detecting Depression on Twitter
- arxiv url: http://arxiv.org/abs/2207.14535v1
- Date: Fri, 29 Jul 2022 08:08:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 12:20:37.301072
- Title: SERCNN: Stacked Embedding Recurrent Convolutional Neural Network in
Detecting Depression on Twitter
- Title（参考訳）: SERCNN: Twitterの抑うつ検出に繰り返し発生する畳み込みニューラルネットワークを組み込む
- Authors: Heng Ee Tay, Mei Kuan Lim, Chun Yong Chong
- Abstract要約: 異なるドメインから事前学習した2つの埋め込みを積み重ねることでユーザ表現を改善するSERCNNを提案する。
われわれのSERCNNは最新技術や他のベースラインよりも優れた性能を示し、5倍のクロスバリデーション設定で93.7%の精度を実現している。
SERCNNは1ユーザにつき10投稿まで最小限で、BERTモデルに匹敵する87%の精度で、非常によく機能した。
- 参考スコア（独自算出の注目度）: 2.535271349350579
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional approaches to identify depression are not scalable, and the
public has limited awareness of mental health, especially in developing
countries. As evident by recent studies, social media has the potential to
complement mental health screening on a greater scale. The vast amount of
first-person narrative posts in chronological order can provide insights into
one's thoughts, feelings, behavior, or mood for some time, enabling a better
understanding of depression symptoms reflected in the online space. In this
paper, we propose SERCNN, which improves the user representation by (1)
stacking two pretrained embeddings from different domains and (2) reintroducing
the embedding context to the MLP classifier. Our SERCNN shows great performance
over state-of-the-art and other baselines, achieving 93.7% accuracy in a 5-fold
cross-validation setting. Since not all users share the same level of online
activity, we introduced the concept of a fixed observation window that
quantifies the observation period in a predefined number of posts. With as
minimal as 10 posts per user, SERCNN performed exceptionally well with an 87%
accuracy, which is on par with the BERT model, while having 98% less in the
number of parameters. Our findings open up a promising direction for detecting
depression on social media with a smaller number of posts for inference,
towards creating solutions for a cost-effective and timely intervention. We
hope that our work can bring this research area closer to real-world adoption
in existing clinical practice.
- Abstract（参考訳）: 抑うつを識別するための従来のアプローチはスケーラブルではなく、特に発展途上国では、公衆はメンタルヘルスに対する認識が限られている。
最近の研究で明らかなように、ソーシャルメディアはより大規模なメンタルヘルススクリーニングを補完する可能性がある。
時系列順に書かれた大量の一人称の物語投稿は、しばらくの間自分の思考、感情、行動、気分についての洞察を与え、オンライン空間に反映されるうつ病症状をよりよく理解することができる。
本稿では,(1)異なるドメインから事前学習した2つの埋め込みを積み重ねることによってユーザ表現を改善するSERCNNと,(2)埋め込みコンテキストをMLP分類器に再導入するSERCNNを提案する。
われわれのSERCNNは最新技術や他のベースラインよりも優れた性能を示し、5倍のクロスバリデーション設定で93.7%の精度を実現している。
全てのユーザが同じレベルのオンライン活動を共有するわけではないので、事前に定義された投稿数で観測期間を定量化する固定観察窓の概念を導入した。
sercnnはユーザー1人あたりの投稿数が最大10本で、87%の精度で非常に良好に動作し、bertモデルと同等であり、パラメータ数は98%減少している。
本研究は,ソーシャルメディア上での抑うつを推測する投稿を少なくして検出し,費用対効果とタイムリーな介入の解決に向けて有望な方向を示すものである。
我々はこの研究領域を既存の臨床実践における現実的な採用に近づけることを期待している。
関連論文リスト
- Your Model Is Not Predicting Depression Well And That Is Why: A Case
Study of PRIMATE Dataset [0.0]
ソーシャルメディアのテキストからNLPに基づく抑うつレベル推定に使用されるメンタルヘルスデータセットのアノテーションの品質について検討する。
本研究は,アノテーションの妥当性,特に関心の欠如や快楽症状に対する懸念を明らかにする。
Data Use Agreementの下でリリースされる当社の洗練されたアノテーションは、アンヘドニア検出のための高品質なテストセットを提供します。
論文 参考訳（メタデータ） (2024-03-01T10:47:02Z) - Mental Health Diagnosis in the Digital Age: Harnessing Sentiment
Analysis on Social Media Platforms upon Ultra-Sparse Feature Content [3.6195994708545016]
3次元構造を持つ新しい意味的特徴前処理手法を提案する。
強化されたセマンティック機能により、精神障害を予測および分類するために機械学習モデルを訓練する。
提案手法は,7つのベンチマークモデルと比較して,大幅な性能向上を示した。
論文 参考訳（メタデータ） (2023-11-09T00:15:06Z) - What Symptoms and How Long? An Interpretable AI Approach for Depression
Detection in Social Media [0.5156484100374058]
うつ病は最も一般的で深刻な精神疾患であり、重大な財政的・社会的影響をもたらす。
本研究は、ソーシャルメディアにおける抑うつ検出のための新しい解釈可能な深層学習モデルを用いて、IS文献に寄与する。
論文 参考訳（メタデータ） (2023-05-18T20:15:04Z) - 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) - Detecting Reddit Users with Depression Using a Hybrid Neural Network
SBERT-CNN [18.32536789799511]
うつ病は広範なメンタルヘルスの問題であり、世界の人口の3.8%に影響を及ぼしている。
本稿では,事前訓練された文BERT(SBERT)と畳み込みニューラルネットワーク(CNN)を組み合わせたハイブリッドディープラーニングモデルを提案する。
このモデルは精度0.86とF1スコア0.86を達成し、文学における他の機械学習モデルによる最先端の文書化結果(F1スコア0.79)を上回った。
論文 参考訳（メタデータ） (2023-02-03T06:22:18Z) - 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) - Learning Language and Multimodal Privacy-Preserving Markers of Mood from
Mobile Data [74.60507696087966]
精神状態は、先進医療に共通する国でも診断されていない。
人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。
本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
論文 参考訳（メタデータ） (2021-06-24T17:46:03Z) - 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) - MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。
我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
論文 参考訳（メタデータ） (2020-11-17T15:18:38Z) - DIRV: Dense Interaction Region Voting for End-to-End Human-Object
Interaction Detection [53.40028068801092]
本稿では,HOI問題に対するインタラクション領域という新しい概念に基づいて,新しい一段階HOI検出手法を提案する。
従来の手法とは異なり,本手法は人-物対ごとに異なるスケールにわたる密集した相互作用領域に焦点をあてる。
単一相互作用領域の検出欠陥を補うために,我々は新しい投票戦略を導入する。
論文 参考訳（メタデータ） (2020-10-02T13:57:58Z)
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。