論文の概要: RevealED: Uncovering Pro-Eating Disorder Content on Twitter Using Deep Learning

• arxiv url: http://arxiv.org/abs/2212.13949v1
• Date: Wed, 28 Dec 2022 16:50:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 16:23:29.844556
• Title: RevealED: Uncovering Pro-Eating Disorder Content on Twitter Using Deep Learning
• Title（参考訳）: 深層学習を用いたtwitter上の食欲障害コンテンツの解明
• Authors: Jonathan Feldman
• Abstract要約: 本研究の目的は、ソーシャルメディア投稿が画像データのみに基づいて摂食障害を促進するかどうかを判断できる深層学習モデルを構築することである。 いくつかのディープラーニングモデルは、スクラップデータセットに基づいてトレーニングされ、その精度、F1スコア、精度、リコールに基づいて評価された。 このモデルは「#selfie」から取り除かれた未ラベルのTwitter画像データに適用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Covid-19 pandemic induced a vast increase in adolescents diagnosed with eating disorders and hospitalized due to eating disorders. This immense growth stemmed partially from the stress of the pandemic but also from increased exposure to content that promotes eating disorders via social media, which, within the last decade, has become plagued by pro-eating disorder content. This study aimed to create a deep learning model capable of determining whether a given social media post promotes eating disorders based solely on image data. Tweets from hashtags that have been documented to promote eating disorders along with tweets from unrelated hashtags were collected. After prepossessing, these images were labeled as either pro-eating disorder or not based on which Twitter hashtag they were scraped from. Several deep-learning models were trained on the scraped dataset and were evaluated based on their accuracy, F1 score, precision, and recall. Ultimately, the vision transformer model was determined to be the most accurate, attaining an F1 score of 0.877 and an accuracy of 86.7% on the test set. The model, which was applied to unlabeled Twitter image data scraped from "#selfie", uncovered seasonal fluctuations in the relative abundance of pro-eating disorder content, which reached its peak in the summertime. These fluctuations correspond not only to the seasons, but also to stressors, such as the Covid-19 pandemic. Moreover, the Twitter image data indicated that the relative amount of pro-eating disorder content has been steadily rising over the last five years and is likely to continue increasing in the future.
• Abstract（参考訳）: 新型コロナウイルスのパンデミックにより、摂食障害と診断され、摂食障害で入院した青年が大幅に増加した。 この大きな成長は、部分的にはパンデミックのストレスによるものだが、ソーシャルメディアを通じて摂食障害を促進するコンテンツへの露出の増加にも起因している。 本研究では,画像データのみに基づいて,ソーシャルメディア投稿が摂食障害を促進するかどうかを判断する深層学習モデルの構築を目的とした。 無関係なハッシュタグからのツイートとともに、摂食障害を促進するために記録されたハッシュタグからのつぶやきが収集された。 先入観の後、これらの画像は前食障害とラベル付けされ、どのTwitterハッシュタグから取り除かれたかに基づいていない。 いくつかのディープラーニングモデルがスクレイピングデータセットでトレーニングされ、その正確性、f1スコア、正確性、リコールに基づいて評価された。 最終的に、視覚トランスフォーマーモデルが最も正確であると判断され、f1スコア0.877、テストセットでの精度86.7%を達成した。 このモデルは「#selfie」から抽出されたラベルなしのtwitter画像データに適用され、夏期にピークに達した摂食障害コンテンツの相対的増加の季節変動を明らかにした。 これらの変動は季節だけでなく、コビッドウイルスのパンデミックのようなストレス要因にも対応している。 さらに,twitterの画像データから,食後障害コンテンツの相対的量は過去5年間で着実に増加しており,今後も増加傾向にあることが示唆された。

関連論文リスト

• NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
  自己申告法はしばしば不正確であり、重大な偏見に悩まされる。 近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。 本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-05-13T14:56:55Z)
• Traditional Machine Learning Models and Bidirectional Encoder Representations From Transformer (BERT)-Based Automatic Classification of Tweets About Eating Disorders: Algorithm Development and Validation Study [1.178706350363215]
  我々の目標は、摂食障害に関連するツイートを分類するための効率的な機械学習モデルを見つけることであった。 トランスフォーマーベースのモデルは、より多くの計算資源を必要とするが、摂食障害に関連するツイートを分類する従来の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-02-08T11:16:13Z)
• UCE-FID: Using Large Unlabeled, Medium Crowdsourced-Labeled, and Small Expert-Labeled Tweets for Foodborne Illness Detection [8.934980946374367]
  食品性疾患検出のための深層学習フレームワークEGALを提案する。 EGALは、クラウドソーシングされた大量のラベルのないデータによって強化された、専門家ラベル付き小さなツイートを使用する。 EGALは、ツイートストリーミングのリアルタイム分析のためにデプロイされる可能性がある。
  論文  参考訳（メタデータ） (2023-12-02T21:03:23Z)
• NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene Dataset for Dietary Intake Estimation [68.49526750115429]
  食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。 NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
  論文  参考訳（メタデータ） (2023-11-20T11:05:20Z)
• Feeding the Crave: How People with Eating Disorders Get Trapped in the Perpetual Cycle of Digital Food Content [4.4818145497483854]
  摂食障害のある人を対象に,デジタル食品を消費する動機と実践を理解するために2つの研究を行った。 本研究は、参加者が食品メディアの症状を克服するために陽性効果を期待していることを明らかにするが、実際には障害を悪化させることがしばしばある。
  論文  参考訳（メタデータ） (2023-11-10T08:09:42Z)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。 最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。 我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。 また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
  論文  参考訳（メタデータ） (2023-09-14T13:29:41Z)
• A Novel Site-Agnostic Multimodal Deep Learning Model to Identify Pro-Eating Disorder Content on Social Media [0.0]
  本研究の目的は、ソーシャルメディア投稿が摂食障害を促進するかどうかを判断できるマルチモーダルディープラーニングモデルを構築することである。 ツイートのラベル付きデータセットがTwitterから収集され、最近Xと改名され、12のディープラーニングモデルがトレーニングされ、評価された。 RoBERTaとMaxViTの融合モデルは、TumblrとRedditの未ラベルの投稿のデータセットを分類するためにデプロイされた。
  論文  参考訳（メタデータ） (2023-07-06T16:04:46Z)
• Transferring Knowledge for Food Image Segmentation using Transformers and Convolutions [65.50975507723827]
  食品画像のセグメンテーションは、食品の皿の栄養価を推定するなど、ユビキタスな用途を持つ重要なタスクである。 1つの課題は、食品が重なり合ったり混ざったりし、区別が難しいことだ。 2つのモデルが訓練され、比較される。1つは畳み込みニューラルネットワークに基づくもので、もう1つは画像変換器(BEiT)のための双方向表現に関するものである。 BEiTモデルは、FoodSeg103上の49.4の結合の平均的交点を達成することで、従来の最先端モデルよりも優れている。
  論文  参考訳（メタデータ） (2023-06-15T15:38:10Z)
• Comfort Foods and Community Connectedness: Investigating Diet Change during COVID-19 Using YouTube Videos on Twitter [5.761735637750927]
  新型コロナウイルス(COVID-19)のパンデミック・ロックダウン(パンデミック・ロックダウン)は、何百万人もの人々の習慣を大きく変えた。 われわれは、ダイエット、運動、フィットネスに関するツイートに埋め込まれたYouTubeビデオを使って、パンデミックのロックダウンがダイエットと栄養に与える影響を調査している。
  論文  参考訳（メタデータ） (2023-05-19T02:51:25Z)
• A Large-Scale Benchmark for Food Image Segmentation [62.28029856051079]
  我々は9,490枚の画像を含む新しい食品画像データセットFoodSeg103(およびその拡張FoodSeg154)を構築します。 これらの画像に154種類の成分を付加し,各画像は平均6つの成分ラベルと画素単位のマスクを有する。 ReLeMと呼ばれるマルチモダリティプリトレーニングアプローチを提案し、豊富なセマンティックな食品知識を持つセグメンテーションモデルを明確に装備します。
  論文  参考訳（メタデータ） (2021-05-12T03:00:07Z)
• #MeToo on Campus: Studying College Sexual Assault at Scale Using Data Reported on Social Media [71.74529365205053]
  我々は、#トレンドが大学フォロワーのプールに与える影響を分析した。 その結果、これらの#ツイートに埋め込まれたトピックの大部分は、セクシャルハラスメントのストーリーを詳述している。 この傾向といくつかの主要地理的地域に関する公式な報告との間には大きな相関関係がある。
  論文  参考訳（メタデータ） (2020-01-16T18:05:46Z)

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。