論文の概要: DECK: Behavioral Tests to Improve Interpretability and Generalizability
of BERT Models Detecting Depression from Text
- arxiv url: http://arxiv.org/abs/2209.05286v1
- Date: Mon, 12 Sep 2022 14:39:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-13 13:01:25.902574
- Title: DECK: Behavioral Tests to Improve Interpretability and Generalizability
of BERT Models Detecting Depression from Text
- Title（参考訳）: deck: テキストから抑うつを検出するbertモデルの解釈性と一般化性を改善する行動テスト
- Authors: Jekaterina Novikova, Ksenia Shkaruta
- Abstract要約: テキストからうつ病を正確に検出するモデルは、パンデミック後の精神疾患に対処するための重要なツールである。
BERTベースの分類器の有望な性能と市販の可用性は、このタスクの優れた候補となる。
DeCK(Depression ChecKlist)は、抑うつ特異的なモデル行動テストで、より優れた解釈性を実現する。
- 参考スコア（独自算出の注目度）: 4.269268432906194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Models that accurately detect depression from text are important tools for
addressing the post-pandemic mental health crisis. BERT-based classifiers'
promising performance and the off-the-shelf availability make them great
candidates for this task. However, these models are known to suffer from
performance inconsistencies and poor generalization. In this paper, we
introduce the DECK (DEpression ChecKlist), depression-specific model
behavioural tests that allow better interpretability and improve
generalizability of BERT classifiers in depression domain. We create 23 tests
to evaluate BERT, RoBERTa and ALBERT depression classifiers on three datasets,
two Twitter-based and one clinical interview-based. Our evaluation shows that
these models: 1) are robust to certain gender-sensitive variations in text; 2)
rely on the important depressive language marker of the increased use of first
person pronouns; 3) fail to detect some other depression symptoms like suicidal
ideation. We also demonstrate that DECK tests can be used to incorporate
symptom-specific information in the training data and consistently improve
generalizability of all three BERT models, with an out-of-distribution F1-score
increase of up to 53.93%.
- Abstract（参考訳）: テキストからうつ病を正確に検出するモデルは、パンデミック後の精神疾患に対処するための重要なツールである。
BERTベースの分類器の有望な性能と市販の可用性は、このタスクの優れた候補となる。
しかし、これらのモデルは性能の矛盾や一般化の貧弱さに苦しむことが知られている。
本稿では,抑うつ領域における BERT 分類器の解釈性の向上と一般化性の向上を可能にする抑うつ特異的モデル行動テストである DECK (Depression ChecKlist) を紹介する。
我々は、BERT、RoBERTa、ALBERTのうつ病分類器を3つのデータセット、Twitterベース2つ、臨床インタビューベース1つで評価するために23のテストを作成します。
私たちの評価は これらのモデルが
1) テキストの性別に敏感な変化に対して堅牢である。
2) 第一人称代名詞の使用の増加に関する重要な抑うつ的言語マーカー
3) 自殺思考などの他のうつ症状は検出できない。
また、DCKテストは、トレーニングデータに症状特異的情報を組み込んで、3つのBERTモデルの一般化性を一貫して改善し、配布外F1スコアは最大53.93%向上することを示した。
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) - The Relationship Between Speech Features Changes When You Get Depressed:
Feature Correlations for Improving Speed and Performance of Depression
Detection [69.88072583383085]
この研究は、抑うつが音声から抽出した特徴間の相関を変化させることを示す。
このような洞察を用いることで、SVMとLSTMに基づく抑うつ検出器のトレーニング速度と性能を向上させることができる。
論文 参考訳（メタデータ） (2023-07-06T09:54:35Z) - Preserving Knowledge Invariance: Rethinking Robustness Evaluation of
Open Information Extraction [50.62245481416744]
実世界におけるオープン情報抽出モデルの評価をシミュレートする最初のベンチマークを示す。
我々は、それぞれの例が知識不変のcliqueである大規模なテストベッドを設計し、注釈付けする。
さらにロバスト性計量を解明することにより、その性能が全体の傾きに対して一貫して正確であるならば、モデルはロバストであると判断される。
論文 参考訳（メタデータ） (2023-05-23T12:05:09Z) - 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) - Depression Symptoms Modelling from Social Media Text: An Active Learning
Approach [1.513693945164213]
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。
論文 参考訳（メタデータ） (2022-09-06T18:41:57Z) - 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) - Generalized Dilated CNN Models for Depression Detection Using Inverted
Vocal Tract Variables [4.050982413149992]
声帯バイオマーカーを用いた抑うつ検出は高度に研究されている分野である。
既存の研究の発見は主に、結果の一般化性を制限する単一のデータベース上で検証されている。
拡張コニキュラルニューラルネットワークを用いた抑うつ検出のための一般化分類器を提案する。
論文 参考訳（メタデータ） (2020-11-13T03:12:36Z) - An Interpretable End-to-end Fine-tuning Approach for Long Clinical Text [72.62848911347466]
EHRにおける非構造化臨床テキストには、意思決定支援、トライアルマッチング、振り返り研究を含むアプリケーションにとって重要な情報が含まれている。
最近の研究は、これらのモデルが他のNLPドメインにおける最先端の性能を考慮し、BERTベースのモデルを臨床情報抽出およびテキスト分類に応用している。
本稿では,SnipBERTという新しい微調整手法を提案する。SnipBERTは全音符を使用する代わりに,重要なスニペットを識別し,階層的に切り刻まれたBERTベースのモデルに供給する。
論文 参考訳（メタデータ） (2020-11-12T17:14:32Z)
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。