論文の概要: Deteksi Depresi dan Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM

• arxiv url: http://arxiv.org/abs/2301.04521v1
• Date: Wed, 11 Jan 2023 15:37:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 14:41:44.634433
• Title: Deteksi Depresi dan Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM
• Title（参考訳）: Deteksi Depresi dan Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM
• Authors: Kuncahyo Setyo Nugroho, Ismail Akbar, Affi Nizar Suksmawati, Istiadi
• Abstract要約: 社会的スティグマは、うつ病や不安を周囲から無視する。 早期に治療を受けるために、テキストデータに対する抑うつや不安を経験する潜在的なユーザーを特定するモデルを採用している。 本研究は,Twitter利用者の抑うつや不安の検出モデルの開発に成功している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The most common mental disorders experienced by a person in daily life are depression and anxiety. Social stigma makes people with depression and anxiety neglected by their surroundings. Therefore, they turn to social media like Twitter for support. Detecting users with potential depression and anxiety disorders through textual data is not easy because they do not explicitly discuss their mental state. It takes a model that can identify potential users who experience depression and anxiety on textual data to get treatment earlier. Text classification techniques can achieve this. One approach that can be used is LSTM as an RNN architecture development in dealing with vanishing gradient problems. Standard LSTM does not capture enough information because it can only read sentences from one direction. Meanwhile, Bidirectional LSTM (BiLSTM) is a two-way LSTM that can capture information without ignoring the context and meaning of a sentence. The proposed BiLSTM model is higher than all traditional machine learning models and standard LSTMs. Based on the test results, the highest accuracy obtained by BiLSTM reached 94.12%. This study has succeeded in developing a model for the detection of depression and anxiety in Twitter users.
• Abstract（参考訳）: 日常生活で経験される最も一般的な精神障害はうつ病と不安である。 社会的スティグマは、うつ病や不安を周囲から無視する。 そのため、twitterのようなソーシャルメディアにサポートを求める。 テキストデータによる抑うつや不安障害の可能性のあるユーザの検出は、彼らの精神状態を明示的に議論しないため、容易ではない。 早期に治療を受けるために、テキストデータに対する抑うつや不安を経験する潜在的なユーザーを特定するモデルを採用している。 テキスト分類技術はこれを実現することができる。 LSTMは、勾配問題に対処するためのRNNアーキテクチャ開発である。 標準LSTMは、ある方向からの文のみを読み取ることができるため、十分な情報を取得できない。 一方、双方向LSTM(Bidirectional LSTM)は、文の文脈や意味を無視しずに情報をキャプチャできる双方向LSTMである。 提案したBiLSTMモデルは、従来の機械学習モデルや標準のLSTMよりも高い。 試験結果から、BiLSTMで得られた最高精度は94.12%に達した。 本研究は,twitter利用者の抑うつや不安の検出モデルの開発に成功している。

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)
• The Devil is in the Neurons: Interpreting and Mitigating Social Biases in Pre-trained Language Models [78.69526166193236]
  プレトレーニング言語モデル(PLM)は、社会的バイアスのような有害な情報を含むことが認識されている。 我々は,社会バイアスなどの望ましくない行動に起因する言語モデルにおいて,正確に単位(すなわちニューロン)を特定するために,sc Social Bias Neuronsを提案する。 StereoSetの以前の測定値からわかるように、我々のモデルは、低コストで言語モデリング能力を維持しながら、より高い公平性を達成する。
  論文  参考訳（メタデータ） (2024-06-14T15:41:06Z)
• A Trustable LSTM-Autoencoder Network for Cyberbullying Detection on Social Media Using Synthetic Data [2.378735224874938]
  本稿では,ソーシャルメディア上でのサイバーバブル検出のための信頼性の高いLSTM-Autoencoderネットワークを提案する。 我々は、機械翻訳データを生成することにより、データの可用性の難しさに対処する最先端の手法を実証した。 我々はヒンディー語、バングラ語、英語のデータセットに対するアグレッシブなコメントを実験的に同定した。
  論文  参考訳（メタデータ） (2023-08-15T17:20:05Z)
• Inducing anxiety in large language models can induce bias [47.85323153767388]
  我々は、確立された12の大規模言語モデル(LLM)に焦点を当て、精神医学でよく用いられる質問紙に答える。 以上の結果から,最新のLSMの6つが不安アンケートに強く反応し,人間に匹敵する不安スコアが得られた。 不安誘発は、LSMのスコアが不安アンケートに影響を及ぼすだけでなく、人種差別や老化などの偏見を測る以前に確立されたベンチマークにおいて、それらの行動に影響を及ぼす。
  論文  参考訳（メタデータ） (2023-04-21T16:29:43Z)
• 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)
• MISC: A MIxed Strategy-Aware Model Integrating COMET for Emotional Support Conversation [64.37111498077866]
  本稿では,感情支援会話のための新しいモデルを提案する。 ユーザの微妙な感情状態を推測し、その後、戦略の混合を使って巧みに応答する。 評価実験の結果,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-25T10:32:04Z)
• An ensemble deep learning technique for detecting suicidal ideation from posts in social media platforms [0.0]
  本稿ではLSTM-Attention-CNN複合モデルを提案する。 提案されたモデルは90.3%の精度、F1スコア92.6%の精度を示した。
  論文  参考訳（メタデータ） (2021-12-17T15:34:03Z)
• 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)
• Towards Preemptive Detection of Depression and Anxiety in Twitter [14.877991297466174]
  うつ病と不安は、日常生活の多くの領域で観察される精神疾患である。 我々は、Twitterにおけるうつ病と不安検出の研究を促進するために設計されたデータセットを開発した。
  論文  参考訳（メタデータ） (2020-11-10T17:17:23Z)
• Anxiety Detection Leveraging Mobile Passive Sensing [53.11661460916551]
  不安障害は、子供と成人の両方に影響を及ぼす最も一般的な精神医学的問題である。 スマートフォンから受動的かつ控えめなデータ収集を活用することは、古典的な方法の代替となるかもしれない。 eWellnessは、個人デバイスのセンサとユーザログデータの完全な適合性を、連続的かつ受動的に追跡するために設計された、実験的なモバイルアプリケーションである。
  論文  参考訳（メタデータ） (2020-08-09T20:22:52Z)
• Depth-Adaptive Graph Recurrent Network for Text Classification [71.20237659479703]
  S-LSTM(Sentence-State LSTM)は、高効率なグラフリカレントネットワークである。 そこで本研究では,S-LSTMの深度適応機構を提案する。
  論文  参考訳（メタデータ） (2020-02-29T03:09:55Z)

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。