論文の概要: What Symptoms and How Long? An Interpretable AI Approach for Depression Detection in Social Media

• arxiv url: http://arxiv.org/abs/2305.13127v2
• Date: Tue, 25 Jul 2023 01:54:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 20:40:40.402818
• Title: What Symptoms and How Long? An Interpretable AI Approach for Depression Detection in Social Media
• Title（参考訳）: どんな症状で どれくらいの期間? ソーシャルメディアにおける抑うつ検出のための解釈可能なAIアプローチ
• Authors: Junwei Kuang, Jiaheng Xie and Zhijun Yan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.5156484100374058
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Depression is the most prevalent and serious mental illness, which induces grave financial and societal ramifications. Depression detection is key for early intervention to mitigate those consequences. Such a high-stake decision inherently necessitates interpretability. Although a few depression detection studies attempt to explain the decision based on the importance score or attention weights, these explanations misalign with the clinical depression diagnosis criterion that is based on depressive symptoms. To fill this gap, we follow the computational design science paradigm to develop a novel Multi-Scale Temporal Prototype Network (MSTPNet). MSTPNet innovatively detects and interprets depressive symptoms as well as how long they last. Extensive empirical analyses using a large-scale dataset show that MSTPNet outperforms state-of-the-art depression detection methods with an F1-score of 0.851. This result also reveals new symptoms that are unnoted in the survey approach, such as sharing admiration for a different life. We further conduct a user study to demonstrate its superiority over the benchmarks in interpretability. This study contributes to IS literature with a novel interpretable deep learning model for depression detection in social media. In practice, our proposed method can be implemented in social media platforms to provide personalized online resources for detected depressed patients.
• Abstract（参考訳）: うつ病は最も広く重篤な精神疾患であり、経済的にも社会的にも大きな影響をもたらす。 抑うつ検出は、これらの影響を緩和するための早期介入の鍵である。 このような高い判断は本質的に解釈可能性を必要とする。 いくつかのうつ病検出研究は、重要度や注意重みに基づいて決定を説明するが、これらの説明はうつ病の症状に基づく臨床的うつ病診断基準と誤認している。 このギャップを埋めるために、我々は計算設計科学のパラダイムに従い、新しいマルチスケールテンポラルプロトタイプネットワーク(MSTPNet)を開発した。 MSTPNetは革新的にうつ病の症状を検知し、解釈する。 大規模データセットを用いた大規模な実験分析の結果,MSTPNetはF1スコア0.851で最先端のうつ病検出法より優れていた。 この結果はまた、別の人生への賞賛を共有するなど、調査アプローチで指摘されていない新しい症状も示します。 さらに,このベンチマークの解釈性に対する優位性を示すために,ユーザ調査を行った。 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たis文学に寄与する。 実際に,本手法をソーシャルメディアプラットフォームに実装し,うつ病患者にパーソナライズされたオンラインリソースを提供する。

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)
• Measuring Non-Typical Emotions for Mental Health: A Survey of Computational Approaches [57.486040830365646]
  ストレスと抑うつは日々のタスクにおけるエンゲージメントに影響を与え、彼らの相互作用を理解する必要性を強調します。 この調査は、ストレス、抑うつ、エンゲージメントを分析する計算手法を同時に探求した最初のものである。
  論文  参考訳（メタデータ） (2024-03-09T11:16:09Z)
• 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)
• 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)
• Depression Detection Using Digital Traces on Social Media: A Knowledge-aware Deep Learning Approach [17.07576768682415]
  うつ病は世界中でよく見られる病気だ。診断は困難であり、診断が下にある。 うつ病患者は、常に症状、主要なライフイベント、治療をソーシャルメディアで共有しているため、研究者はうつ病検出のためにソーシャルメディア上でユーザー生成のデジタルトレースに目を向けている。 本稿では,抑うつリスクのあるソーシャルメディア利用者を正確に検出し,その検出に寄与する重要な要因を説明するために,Deep Knowledge-Aware Depression Detection (DKDD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T20:08:07Z)
• Handwriting and Drawing for Depression Detection: A Preliminary Study [53.11777541341063]
  精神健康に対する短期的コビデンスの影響は、不安や抑うつ症状の顕著な増加であった。 本研究の目的は、健康な人とうつ病患者を識別するために、オンライン手書き・図面解析という新しいツールを使用することである。
  論文  参考訳（メタデータ） (2023-02-05T22:33:49Z)
• 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)
• Data set creation and empirical analysis for detecting signs of depression from social media postings [0.0]
  うつ病は、深刻な結果を避けるために、早期に検出され治療されなければならない一般的な精神疾患である。 我々は、ソーシャルメディアの投稿から、うつ病のレベルが落ち込んでいないこと、中程度に落ち込んでいないこと、および深刻な落ち込んでいないことを検知する、金の標準データセットを開発した。
  論文  参考訳（メタデータ） (2022-02-07T10:24:33Z)
• 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)
• Examining the Role of Mood Patterns in Predicting Self-Reported Depressive symptoms [4.564132389935269]
  うつ病は世界中で障害の主な原因である。 ソーシャルメディア投稿からうつ病信号を検出する最初の試みは、有望な結果を示している。 本研究では,ソーシャルメディア利用者を対象とした「ムードプロファイル」を構築し,うつ病の症状を検出するための現在の技術を強化することを試みる。
  論文  参考訳（メタデータ） (2020-06-14T12:48:43Z)

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。