論文の概要: Building Extractive Question Answering System to Support Human-AI Health Coaching Model for Sleep Domain

• arxiv url: http://arxiv.org/abs/2305.19707v1
• Date: Wed, 31 May 2023 10:03:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-01 17:19:49.418866
• Title: Building Extractive Question Answering System to Support Human-AI Health Coaching Model for Sleep Domain
• Title（参考訳）: 睡眠領域におけるヒューマンAIヘルスコーチングモデル支援のための抽出質問応答システムの構築
• Authors: Iva Bojic and Qi Chwen Ong and Shafiq Joty and Josip Car
• Abstract要約: 本稿では,ドメイン固有抽出質問応答システム(QA)を取り入れたヒューマン・アーティフィカル・インテリジェンス(AI)ヘルスコーチングモデルを提案する。 睡眠に焦点を当てたデータセットであるSleepQAは、手動で組み立てられ、ドメイン固有のBERTモデルを微調整するために使用される。 データ中心のフレームワークは、経路検索と質問修正を改善して、システムの性能を高めた。
• 参考スコア（独自算出の注目度）: 3.7796614675664397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-communicable diseases (NCDs) are a leading cause of global deaths, necessitating a focus on primary prevention and lifestyle behavior change. Health coaching, coupled with Question Answering (QA) systems, has the potential to transform preventive healthcare. This paper presents a human-Artificial Intelligence (AI) health coaching model incorporating a domain-specific extractive QA system. A sleep-focused dataset, SleepQA, was manually assembled and used to fine-tune domain-specific BERT models. The QA system was evaluated using automatic and human methods. A data-centric framework enhanced the system's performance by improving passage retrieval and question reformulation. Although the system did not outperform the baseline in automatic evaluation, it excelled in the human evaluation of real-world questions. Integration into a Human-AI health coaching model was tested in a pilot Randomized Controlled Trial (RCT).
• Abstract（参考訳）: 非感染性疾患(NCD)は世界的な死の主な原因であり、一次予防と生活習慣の変化に焦点を当てる必要がある。 ヘルスコーチングと質問応答(qa)システムは、予防医療を変革する可能性を秘めています。 本稿では,ドメイン固有抽出QAシステムを取り入れたヒューマン・アーティフィアル・インテリジェンス(AI)ヘルスコーチングモデルを提案する。 睡眠に焦点を当てたデータセットであるSleepQAは手動で組み立てられ、ドメイン固有のBERTモデルを微調整するために使用される。 自動および人的手法を用いてQAシステムの評価を行った。 データ中心のフレームワークは、経路検索と質問修正を改善して、システムの性能を高めた。 自動評価ではベースラインよりも優れていなかったが,実世界の質問に対する人間の評価に優れていた。 人間-AI健康コーチングモデルへの統合は、パイロットのランダム化制御試験(RCT)でテストされた。

関連論文リスト

• A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
  神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。 重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。 人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
  論文  参考訳（メタデータ） (2024-05-21T06:44:40Z)
• A Joint-Reasoning based Disease Q&A System [6.117758142183177]
  医療質問応答(QA)アシスタントは、複数のソースから情報を合成することで、レイユーザーの健康関連クエリに応答する。 彼らは、誤った情報、情報過負荷、医療言語の複雑さの問題を緩和するための重要なツールとして機能する。
  論文  参考訳（メタデータ） (2024-01-06T09:55:22Z)
• Using Weak Supervision and Data Augmentation in Question Answering [0.12499537119440242]
  新型コロナウイルス(COVID-19)のパンデミックの始まりは、タイムリーで病気固有の質問に答えるために、バイオメディカル文献へのアクセスの必要性を強調した。 我々は、深層ニューラルネットワークQAモデルのトレーニングにおいて、弱い監視とデータ拡張が果たす役割について検討する。 システムの中核部におけるQAモデルのコンテキストにおける手法の評価を行い、COVID-19に関する質問に答える。
  論文  参考訳（メタデータ） (2023-09-28T05:16:51Z)
• Utilizing Background Knowledge for Robust Reasoning over Traffic Situations [63.45021731775964]
  我々は、インテリジェントトランスポーテーションの補完的な研究側面である交通理解に焦点を当てる。 本研究は,豊富なコモンセンス知識を前提として,テキストベースの手法とデータセットを対象とする。 交通状況に対するゼロショットQAには3つの知識駆動アプローチを採用しています。
  論文  参考訳（メタデータ） (2022-12-04T09:17:24Z)
• Exploring linguistic feature and model combination for speech recognition based automatic AD detection [61.91708957996086]
  音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。 専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。 本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
  論文  参考訳（メタデータ） (2022-06-28T05:09:01Z)
• Consistency-preserving Visual Question Answering in Medical Imaging [2.005299372367689]
  VQA(Visual Question Answering)モデルは、画像と自然言語の質問を入力として、質問に対する回答を推測する。 本稿では,課題間の関係を学習プロセスに含める新しい損失関数とそれに対応する訓練手順を提案する。 実験の結果,本手法は最先端のベースライン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） (2022-06-27T13:38:50Z)
• Improving Unsupervised Question Answering via Summarization-Informed Question Generation [47.96911338198302]
  質問生成 (QG) とは, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、 我々は、自由なニュース要約データを使用し、宣言文を依存性解析、名前付きエンティティ認識、セマンティックロールラベリングを用いて適切な質問に変換する。 得られた質問は、元のニュース記事と組み合わせて、エンドツーエンドのニューラルQGモデルをトレーニングする。
  論文  参考訳（メタデータ） (2021-09-16T13:08:43Z)
• Q-Pain: A Question Answering Dataset to Measure Social Bias in Pain Management [5.044336341666555]
  痛み管理の文脈におけるQAのバイアスを評価するためのデータセットであるQ-Painを紹介する。 本稿では, 治療決定の際に生じる潜在的なバイアスを測定するための, 実験設計のサンプルを含む, 厳密な新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T21:55:28Z)
• Towards Automatic Evaluation of Dialog Systems: A Model-Free Off-Policy Evaluation Approach [84.02388020258141]
  強化学習におけるオフポリシ評価に基づく人間評価スコア推定のための新しいフレームワークであるENIGMAを提案する。 ENIGMAはいくつかの事前収集された経験データしか必要としないため、評価中にターゲットポリシーとのヒューマンインタラクションは不要である。 実験の結果,ENIGMAは人間の評価スコアと相関して既存手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-02-20T03:29:20Z)
• A Neural Question Answering System for Basic Questions about Subroutines [32.98355443690782]
  質問応答(QA)システムは、人間のユーザーが課す質問に対する自然言語の回答を生成する対話型AIの一種です。 コンテキストベースのQAシステムを設計することで、ソフトウェアエンジニアリングアプリケーションに最先端のニューラルテクノロジーをもたらすための最初の一歩を踏み出します。
  論文  参考訳（メタデータ） (2021-01-11T16:18:52Z)
• Template-Based Question Generation from Retrieved Sentences for Improved Unsupervised Question Answering [98.48363619128108]
  擬似学習データを用いてQAモデルを訓練するための教師なしアプローチを提案する。 関連した検索文に簡単なテンプレートを適用してQA学習のための質問を生成すると、元の文脈文よりも、下流QAのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2020-04-24T17:57:45Z)

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。