論文の概要: Multi-class Categorization of Reasons behind Mental Disturbance in Long Texts

• arxiv url: http://arxiv.org/abs/2304.04118v1
• Date: Sat, 8 Apr 2023 22:44:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 17:38:03.946206
• Title: Multi-class Categorization of Reasons behind Mental Disturbance in Long Texts
• Title（参考訳）: 長文における精神障害の背景要因の多クラス分類
• Authors: Muskan Garg
• Abstract要約: 我々はLongformerを用いて、自己報告されたテキストで精神疾患の背景にある因果指標を見つける問題に対処する。 実験によると、Longformerは62%のF1スコアを持つ公開データセットであるM-CAMSで、最先端の新たな結果を達成している。 我々の研究は、うつ病や自殺リスクの因果分析をソーシャルメディアデータ上で促進し、他の精神状態に適用する可能性を示していると信じている。
• 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: Motivated with recent advances in inferring users' mental state in social media posts, we identify and formulate the problem of finding causal indicators behind mental illness in self-reported text. In the past, we witness the presence of rule-based studies for causal explanation analysis on curated Facebook data. The investigation on transformer-based model for multi-class causal categorization in Reddit posts point to a problem of using long-text which contains as many as 4000 words. Developing end-to-end transformer-based models subject to the limitation of maximum-length in a given instance. To handle this problem, we use Longformer and deploy its encoding on transformer-based classifier. The experimental results show that Longformer achieves new state-of-the-art results on M-CAMS, a publicly available dataset with 62\% F1-score. Cause-specific analysis and ablation study prove the effectiveness of Longformer. We believe our work facilitates causal analysis of depression and suicide risk on social media data, and shows potential for application on other mental health conditions.
• Abstract（参考訳）: ソーシャルメディア投稿におけるユーザの精神状態を推測する最近の進歩に動機づけられ,自己報告テキストで精神疾患の背後にある因果指標を見つける問題を同定し,定式化する。 過去には、facebookのキュレーションデータに因果説明分析のための規則に基づく研究が存在した。 Reddit投稿におけるマルチクラス因果分類のためのトランスフォーマーベースモデルの研究は、4000語までを含む長文の使用の問題を示している。 エンド・ツー・エンドのトランスフォーマーベースモデルの開発は、与えられたインスタンスで最大長の制限を受ける。 この問題に対処するために、longformerを使用し、そのエンコーディングをtransformerベースの分類器にデプロイする。 実験の結果,Longformer は 62\% F1-score のデータセットである M-CAMS 上で,最先端の新たな結果を得ることができた。 原因特異的解析およびアブレーション研究はLongformerの有効性を証明している。 私たちの研究は、ソーシャルメディアデータによるうつ病と自殺リスクの因果分析を促進し、他の精神疾患への応用の可能性を示しています。

関連論文リスト

• Mental Disorder Classification via Temporal Representation of Text [33.47304614659701]
  ソーシャルメディア投稿からの精神障害予測は、逐次テキストデータの複雑さのために困難である。 本稿では,時系列に順序付けられたソーシャルメディア投稿を一連の数に圧縮する新しいフレームワークを提案する。 我々は、現在のSOTAを3つの異なる精神条件で上回ることで、フレームワークの一般化能力を実証する。
  論文  参考訳（メタデータ） (2024-06-15T10:53:21Z)
• Groundedness in Retrieval-augmented Long-form Generation: An Empirical Study [61.74571814707054]
  検索した文書やモデルの事前学習データに生成されたすべての文が接地されているかどうかを評価する。 3つのデータセットと4つのモデルファミリーにまたがって、生成した文のかなりの部分が一貫してアングラウンド化されていることが明らかとなった。 以上の結果から,より大きなモデルではアウトプットをより効果的に基礎づける傾向にあるものの,正解のかなりの部分が幻覚によって損なわれていることが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T14:50:10Z)
• Same Task, More Tokens: the Impact of Input Length on the Reasoning Performance of Large Language Models [48.35385912526338]
  本稿では,入力長がLarge Language Models(LLMs)の能力に与える影響について検討する。 同一サンプルの複数バージョンを用いて入力長の影響を分離し,それぞれが異なる長さ,タイプ,位置のパディングで拡張した。 劣化傾向はデータセットのすべてのバージョンに現れるが、強度は異なる。
  論文  参考訳（メタデータ） (2024-02-19T16:04:53Z)
• Enhanced Labeling Technique for Reddit Text and Fine-Tuned Longformer Models for Classifying Depression Severity in English and Luganda [0.0]
  本研究は、Redditからテキストを抽出し、診断プロセスを容易にする。 提案されたラベリング手法を用いてテキストを分類し、Longformerモデルを微調整する。 その結果,Longformer モデルは英語 (48%) とルガンダ (45%) のベースラインモデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-25T15:28:07Z)
• Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
  誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。 既存の感受性研究は、自己報告された信念に大きく依存している。 本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
  論文  参考訳（メタデータ） (2023-11-16T07:22:56Z)
• Explainable Depression Symptom Detection in Social Media [2.677715367737641]
  本稿では, トランスフォーマーアーキテクチャを用いて, ユーザの文章中の抑うつ症状マーカーの出現を検知し, 説明する。 我々の自然言語による説明により、臨床医はバリデーションされた症状に基づいてモデルの判断を解釈できる。
  論文  参考訳（メタデータ） (2023-10-20T17:05:27Z)
• 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)
• Explainable Causal Analysis of Mental Health on Social Media Data [0.0]
  ソーシャルメディア上でのメンタルヘルス問題に対するマルチクラス因果分類は、誤った予測の大きな課題である。 データセットにおける因果的説明/不適切な人間アノテーション推論の不整合性。 本研究では,マルチクラス因果分類における不整合の原因を明らかにする。
  論文  参考訳（メタデータ） (2022-10-16T03:34:47Z)
• CAMS: An Annotated Corpus for Causal Analysis of Mental Health Issues in Social Media Posts [17.853932382843222]
  ソーシャルメディア投稿(CAMS)におけるメンタルヘルス問題の因果分析のための新しいデータセットについて紹介する。 因果的分析への我々の貢献は、因果的解釈と因果的分類である。 本稿では,CAMSデータセットから得られたモデルの実験結果と,従来のロジスティック回帰モデルが次善(CNN-LSTM)モデルよりも4.9%精度で優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-11T07:38:18Z)
• Learning Language and Multimodal Privacy-Preserving Markers of Mood from Mobile Data [74.60507696087966]
  精神状態は、先進医療に共通する国でも診断されていない。 人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。 本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
  論文  参考訳（メタデータ） (2021-06-24T17:46:03Z)
• Sentiment Analysis Based on Deep Learning: A Comparative Study [69.09570726777817]
  世論の研究は我々に貴重な情報を提供することができる。 感情分析の効率性と正確性は、自然言語処理で直面する課題によって妨げられている。 本稿では、感情分析の問題を解決するためにディープラーニングを用いた最新の研究をレビューする。
  論文  参考訳（メタデータ） (2020-06-05T16:28:10Z)

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。