論文の概要: Depression Symptoms Modelling from Social Media Text: An Active Learning
Approach
- arxiv url: http://arxiv.org/abs/2209.02765v1
- Date: Tue, 6 Sep 2022 18:41:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-08 11:55:30.662557
- Title: Depression Symptoms Modelling from Social Media Text: An Active Learning
Approach
- Title(参考訳): ソーシャルメディアテキストをモデルとした抑うつ症状 : アクティブラーニングアプローチ
- Authors: Nawshad Farruque, Randy Goebel, Sudhakar Sivapalan, Osmar Zaiane
- Abstract要約: 初期教師付き学習モデルを用いたアクティブラーニングフレームワークについて述べる。
我々は、大規模な自己計算された抑うつツイートリポジトリからうつ症状に関するサンプルを採取する。
我々は、その種類の中で最大である最終データセットを作成できることを示します。
- 参考スコア(独自算出の注目度): 1.513693945164213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A fundamental component of user-level social media language based clinical
depression modelling is depression symptoms detection (DSD). Unfortunately,
there does not exist any DSD dataset that reflects both the clinical insights
and the distribution of depression symptoms from the samples of self-disclosed
depressed population. In our work, we describe an Active Learning (AL)
framework which uses an initial supervised learning model that leverages 1) a
state-of-the-art large mental health forum text pre-trained language model
further fine-tuned on a clinician annotated DSD dataset, 2) a Zero-Shot
learning model for DSD, and couples them together to harvest depression
symptoms related samples from our large self-curated Depression Tweets
Repository (DTR). Our clinician annotated dataset is the largest of its kind.
Furthermore, DTR is created from the samples of tweets in self-disclosed
depressed users Twitter timeline from two datasets, including one of the
largest benchmark datasets for user-level depression detection from Twitter.
This further helps preserve the depression symptoms distribution of
self-disclosed Twitter users tweets. Subsequently, we iteratively retrain our
initial DSD model with the harvested data. We discuss the stopping criteria and
limitations of this AL process, and elaborate the underlying constructs which
play a vital role in the overall AL process. We show that we can produce a
final dataset which is the largest of its kind. Furthermore, a DSD and a
Depression Post Detection (DPD) model trained on it achieves significantly
better accuracy than their initial version.
- Abstract(参考訳): ソーシャルメディア言語に基づく臨床うつ病モデリングの基本的な構成要素はうつ病症状検出(DSD)である。
残念ながら、自己開示されたうつ病集団のサンプルから臨床所見とうつ病症状の分布の両方を反映したDSDデータセットは存在しない。
本研究では,初期教師付き学習モデルを用いたアクティブラーニング(AL)フレームワークについて述べる。
1)臨床医の注釈付きdsdデータセット上でさらに微調整された,最先端の大規模メンタルヘルスフォーラムテキスト事前学習言語モデル
2) DSDのゼロショット学習モデルを用いて, うつ症状関連サンプルを分離し, 自己計算型抑うつツイートリポジトリ(DTR)から抽出した。
我々の臨床注記データセットはその種類の中で最も大きい。
さらに、DTRは、Twitterからのユーザーレベルのうつ病検出のための最大のベンチマークデータセットを含む、2つのデータセットから、自己開示されたうつ病ユーザーのつぶやきのサンプルから生成される。
これはまた、自己開示されたtwitterユーザーのツイートのうつ症状の分布を維持するのに役立つ。
その後、抽出したデータを用いて初期DSDモデルを反復的に再訓練する。
本稿では,alプロセスにおける停止条件と限界について考察し,alプロセス全体において重要な役割を果たす基礎構造について詳述する。
我々は,その種類の中で最大である最終データセットを作成できることを示す。
さらに、DSDとDPD(Depression Post Detection)モデルをトレーニングすることで、初期バージョンよりも大幅に精度が向上する。
関連論文リスト
- A BERT-Based Summarization approach for depression detection [1.7363112470483526]
うつ病は世界中で流行する精神疾患であり、対処されないと深刻な反感を引き起こす可能性がある。
機械学習と人工知能は、さまざまなデータソースからのうつ病指標を自律的に検出することができる。
本研究では,入力テキストの長さと複雑さを低減させる前処理手法として,テキスト要約を提案する。
論文 参考訳(メタデータ) (2024-09-13T02:14:34Z) - LLMvsSmall Model? Large Language Model Based Text Augmentation Enhanced
Personality Detection Model [58.887561071010985]
パーソナリティ検出は、ソーシャルメディア投稿に根ざした性格特性を検出することを目的としている。
既存のほとんどのメソッドは、事前訓練された言語モデルを微調整することで、ポスト機能を直接学習する。
本稿では,大規模言語モデル (LLM) に基づくテキスト拡張強化人格検出モデルを提案する。
論文 参考訳(メタデータ) (2024-03-12T12:10:18Z) - 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) - 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) - Deep Temporal Modelling of Clinical Depression through Social Media Text [1.513693945164213]
ユーザの時間的ソーシャルメディア投稿に基づいて,ユーザレベルの臨床うつ病を検出するモデルを構築した。
本モデルでは,うつ病症状に対する医用注釈付きツイートの最大のサンプルをもとに訓練した,うつ病検出(DSD)分類器を用いた。
論文 参考訳(メタデータ) (2022-10-28T18:31:52Z) - DEPTWEET: A Typology for Social Media Texts to Detect Depression
Severities [0.46796109436086664]
我々はうつ病の重症度を検出するために,うつ病の臨床的記述を活用してソーシャルメディアテキストのタイプロジを構築する。
精神疾患の診断・統計マニュアル(DSM-5)と患者健康アンケート(PHQ-9)の標準的臨床評価手順をエミュレートする
専門家アノテータによってラベル付けされた40191ツイートの新しいデータセットを提示します。それぞれのツイートは、"non-depressed"あるいは"depressed"とラベル付けされます。
論文 参考訳(メタデータ) (2022-10-10T08:23:57Z) - Data set creation and empirical analysis for detecting signs of
depression from social media postings [0.0]
うつ病は、深刻な結果を避けるために、早期に検出され治療されなければならない一般的な精神疾患である。
我々は、ソーシャルメディアの投稿から、うつ病のレベルが落ち込んでいないこと、中程度に落ち込んでいないこと、および深刻な落ち込んでいないことを検知する、金の標準データセットを開発した。
論文 参考訳(メタデータ) (2022-02-07T10:24:33Z) - Does BERT Pretrained on Clinical Notes Reveal Sensitive Data? [70.3631443249802]
我々は、トレーニングされたBERTからPersonal Health Informationを復元するためのアプローチのバッテリーを設計する。
具体的には,患者の名前と関連した状態の回復を試みている。
簡単な探索法では,MIMIC-IIIコーパス上で訓練されたBERTから機密情報を有意に抽出できないことがわかった。
論文 参考訳(メタデータ) (2021-04-15T20:40:05Z) - 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) - A Novel Sentiment Analysis Engine for Preliminary Depression Status
Estimation on Social Media [0.0]
我々は,Twitter ソーシャルメディア上での抑うつ検出を主目的とする,ディープラーニングベースのバックエンドを備えた,クラウドベースのスマートフォンアプリケーションを提案する。
心理学者は、患者がカウンセリングの前にうつ状態を評価するためにこのアプリケーションを利用することができる。
試験精度は87.23%、AUCは0.8621である。
論文 参考訳(メタデータ) (2020-11-29T04:42:53Z) - DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。
本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-06T13:03:42Z)
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。