論文の概要: Hierarchical Attention Network for Explainable Depression Detection on Twitter Aided by Metaphor Concept Mappings

• arxiv url: http://arxiv.org/abs/2209.07494v1
• Date: Thu, 15 Sep 2022 17:36:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-16 13:03:51.536853
• Title: Hierarchical Attention Network for Explainable Depression Detection on Twitter Aided by Metaphor Concept Mappings
• Title（参考訳）: メタファ概念マッピングによるtwitter上の説明可能な抑うつ検出のための階層的注意ネットワーク
• Authors: Sooji Han, Rui Mao, and Erik Cambria
• Abstract要約: 本稿では,Twitter上での抑うつ検出のための新しい説明可能なモデルを提案する。 階層的な注意機構とフィードフォワードニューラルネットワークを組み合わせた,新しいエンコーダを備える。 抑うつされた個人を検知するだけでなく、そのようなユーザーのつぶやきの特徴と関連するメタファの概念マッピングを識別する。
• 参考スコア（独自算出の注目度）: 15.19024278125422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic depression detection on Twitter can help individuals privately and conveniently understand their mental health status in the early stages before seeing mental health professionals. Most existing black-box-like deep learning methods for depression detection largely focused on improving classification performance. However, explaining model decisions is imperative in health research because decision-making can often be high-stakes and life-and-death. Reliable automatic diagnosis of mental health problems including depression should be supported by credible explanations justifying models' predictions. In this work, we propose a novel explainable model for depression detection on Twitter. It comprises a novel encoder combining hierarchical attention mechanisms and feed-forward neural networks. To support psycholinguistic studies, our model leverages metaphorical concept mappings as input. Thus, it not only detects depressed individuals, but also identifies features of such users' tweets and associated metaphor concept mappings.
• Abstract（参考訳）: Twitter上の自動うつ病検出は、個人がメンタルヘルスの専門家を見る前に、早期にメンタルヘルスの状態をプライベートかつ便利に理解するのに役立つ。 既存の抑うつ検出のためのブラックボックスのようなディープラーニング手法のほとんどは、分類性能の改善に重点を置いている。 しかしながら、モデル決定を説明することは健康研究において必須である。 うつ病を含む精神疾患の信頼性の高い自動診断は、モデルの予測を正当化する信頼できる説明によって支持されるべきである。 本稿では,twitter上での抑うつ検出のための新しい説明可能なモデルを提案する。 階層的な注意機構とフィードフォワードニューラルネットワークを組み合わせた,新しいエンコーダを備える。 心理言語学研究を支援するために,メタファー的概念マッピングを入力として活用する。 したがって、抑うつされた個人を検知するだけでなく、そのようなユーザのつぶやきの特徴と関連するメタファ概念マッピングを識別する。

関連論文リスト

• MentalArena: Self-play Training of Language Models for Diagnosis and Treatment of Mental Health Disorders [59.515827458631975]
  メンタルヘルス障害は世界で最も深刻な病気の1つである。 プライバシーに関する懸念は、パーソナライズされた治療データのアクセシビリティを制限する。 MentalArenaは、言語モデルをトレーニングするためのセルフプレイフレームワークである。
  論文  参考訳（メタデータ） (2024-10-09T13:06:40Z)
• They Look Like Each Other: Case-based Reasoning for Explainable Depression Detection on Twitter using Large Language Models [3.5904920375592098]
  ProtoDepはTwitterベースの抑うつ検出のための新しい説明可能なフレームワークである。 ProtoDepは、(i)ツイートとユーザ毎の症状レベルの説明、(ii)ユーザと類似した個人を比較したケースベースの説明、(iii)分類重みによる透明な意思決定の3つのレベルで透明な説明を提供する。
  論文  参考訳（メタデータ） (2024-07-21T20:13:50Z)
• Conceptualizing Suicidal Behavior: Utilizing Explanations of Predicted Outcomes to Analyze Longitudinal Social Media Data [2.76101452577748]
  新型コロナウイルスのパンデミックは世界中でメンタルヘルスの危機をエスカレートしている。 自殺は、恥、虐待、放棄、うつ病のような精神状態などの社会的要因によって引き起こされる。 これらの状況が発展するにつれて、自殺的思考の兆候がソーシャルメディアの相互作用に現れる可能性がある。
  論文  参考訳（メタデータ） (2023-12-13T17:15:12Z)
• 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)
• Memory-Augmented Theory of Mind Network [59.9781556714202]
  社会的推論は、心の理論(ToM)の能力を必要とする。 ToMに対する最近の機械学習アプローチは、観察者が過去を読み、他のエージェントの振る舞いを提示するように訓練できることを実証している。 我々は,新たなニューラルメモリ機構を組み込んで符号化し,階層的な注意を払って他者に関する情報を選択的に検索することで,課題に対処する。 この結果、ToMMYは心的プロセスについての仮定をほとんど行わずに理性を学ぶマインドモデルである。
  論文  参考訳（メタデータ） (2023-01-17T14:48:58Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• 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 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)
• Machine Learning-based Approach for Depression Detection in Twitter Using Content and Activity Features [0.0]
  近年の研究では、ソーシャルメディアサイトの利用率とうつ病の増加の相関が示されている。 本研究の目的は、ネットワークの振る舞いとつぶやきの両方に基づいて、潜在的に落ち込んだTwitterユーザーを検出する機械学習技術を活用することである。
  論文  参考訳（メタデータ） (2020-03-09T11:27:39Z)

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。