論文の概要: A Framework for Identifying Depression on Social Media: MentalRiskES@IberLEF 2023

• arxiv url: http://arxiv.org/abs/2306.16125v2
• Date: Thu, 29 Jun 2023 07:02:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-30 10:12:16.687399
• Title: A Framework for Identifying Depression on Social Media: MentalRiskES@IberLEF 2023
• Title（参考訳）: ソーシャルメディア上でうつ病を識別するためのフレームワーク: mentalriskes@iberlef 2023
• Authors: Simon Sanchez Viloria, Daniel Peix del R\'io, Rub\'en Berm\'udez Cabo, Guillermo Arturo Arrojo Fuentes, Isabel Segura-Bedmar
• Abstract要約: 本稿では,IberLEF 2023におけるMentalRiskESタスクへの参加について述べる。 この課題は、ソーシャルメディアの活動に基づいてうつ病を経験する個人の可能性を予測することであった。 データセットは175人のTelegramユーザーによる会話で構成されており、それぞれが障害に苦しむ証拠に基づいてラベル付けされている。
• 参考スコア（独自算出の注目度）: 0.979963710164115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper describes our participation in the MentalRiskES task at IberLEF 2023. The task involved predicting the likelihood of an individual experiencing depression based on their social media activity. The dataset consisted of conversations from 175 Telegram users, each labeled according to their evidence of suffering from the disorder. We used a combination of traditional machine learning and deep learning techniques to solve four predictive subtasks: binary classification, simple regression, multiclass classification, and multi-output regression. We approached this by training a model to solve the multi-output regression case and then transforming the predictions to work for the other three subtasks. We compare the performance of two modeling approaches: fine-tuning a BERT-based model directly for the task or using its embeddings as inputs to a linear regressor, with the latter yielding better results. The code to reproduce our results can be found at: https://github.com/simonsanvil/EarlyDepression-MentalRiskES
• Abstract（参考訳）: 本稿では,IberLEF 2023におけるMentalRiskESタスクへの参加について述べる。 そのタスクは、ソーシャルメディアの活動に基づいて、抑うつを経験する個人の可能性を予測することであった。 データセットは、175人のテレグラムユーザーの会話から成り、それぞれが障害に苦しむ証拠に従ってラベル付けされた。 従来の機械学習とディープラーニングを組み合わせることで、バイナリ分類、単純な回帰、マルチクラス分類、マルチアウトプット回帰という4つの予測サブタスクを解くことができた。 我々は、マルチ出力回帰ケースを解くためにモデルを訓練し、他の3つのサブタスクで動作するように予測を変換することで、この問題に対処した。 BERTをベースとしたモデルを直接微調整するか、あるいはその埋め込みを線形回帰器への入力として用いるかの2つのモデリング手法の性能を比較し、後者はより良い結果を得る。 結果を再現するコードは、https://github.com/simonsanvil/EarlyDepression-MentalRiskESで確認できます。

関連論文リスト

• Depression detection in social media posts using transformer-based models and auxiliary features [6.390468088226495]
  ソーシャルメディア投稿における抑うつの検出は、メンタルヘルス問題の増加により重要である。 従来の機械学習アルゴリズムは複雑なテキストパターンのキャプチャに失敗することが多く、抑うつを識別する効果を制限している。 本研究では,メタデータと言語マーカーを組み合わせたトランスフォーマーモデルを利用したニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-09-30T07:53:39Z)
• DS@GT eRisk 2024: Sentence Transformers for Social Media Risk Assessment [0.0]
  DS@GTチームの作業ノートをeRisk 2024 for Tasks 1 and 3で紹介する。 本稿では,抑うつの症状を予測する第1タスクのランキングシステムを提案する。 タスク3では、BERTからの埋め込みを用いて、ユーザの投稿履歴に基づいて障害症状の重症度を予測する。
  論文  参考訳（メタデータ） (2024-07-10T19:30:16Z)
• Generalized Regression with Conditional GANs [2.4171019220503402]
  本稿では,学習データセットにおける特徴ラベルペアと,対応する入力と組み合わせて出力を区別できない予測関数を学習することを提案する。 回帰に対するこのアプローチは、私たちが適合するデータの分布に対する仮定を減らし、表現能力が向上することを示す。
  論文  参考訳（メタデータ） (2024-04-21T01:27:47Z)
• Efficient Grammatical Error Correction Via Multi-Task Training and Optimized Training Schedule [55.08778142798106]
  原文と修正文のアライメントを利用する補助タスクを提案する。 我々は,各タスクをシーケンス・ツー・シーケンス問題として定式化し,マルチタスク・トレーニングを行う。 トレーニングに使用されるデータセットの順序や、データセット内の個々のインスタンスでさえ、最終的なパフォーマンスに重要な影響を与える可能性があることが分かりました。
  論文  参考訳（メタデータ） (2023-11-20T14:50:12Z)
• DeepLearningBrasil@LT-EDI-2023: Exploring Deep Learning Techniques for Detecting Depression in Social Media Text [0.0]
  47.0%のマクロF1スコアを実現し、DepSign-LT-EDI@RANLP-2023で注目すべき2.4%のアドバンテージを得た。 その任務は、ソーシャルメディアのテキストを「落ち込んでいない」、「モデレート的に落ち込んでいない」、「ひどく落ち込んでいない」という3つの異なるレベルのうつ病に分類することであった。
  論文  参考訳（メタデータ） (2023-11-08T22:42:31Z)
• Unifying Language Learning Paradigms [96.35981503087567]
  データセットやセットアップ全体にわたって普遍的に有効である事前学習モデルのための統一的なフレームワークを提案する。 本研究では, 事前学習対象を相互に配置し, 異なる対象間の補間を効果的に行う方法を示す。 また,テキスト内学習において,ゼロショットSuperGLUEで175B GPT-3,ワンショット要約でT5-XXLの性能を3倍に向上させた。
  論文  参考訳（メタデータ） (2022-05-10T19:32:20Z)
• Constructing interval variables via faceted Rasch measurement and multitask deep learning: a hate speech application [63.10266319378212]
  本稿では,教師付き深層学習と多面的ラッシュアイテム応答理論(IRT)構築手法を組み合わせることで,連続区間スペクトル上の複素変数を測定する手法を提案する。 われわれは、YouTube、Twitter、Redditから5万件のソーシャルメディアコメントを収集し、1万1000人の米国拠点のAmazon Mechanical Turkの労働者によってラベル付けされたデータセット上で、この新しい手法を実証した。
  論文  参考訳（メタデータ） (2020-09-22T02:15:05Z)
• Two-step penalised logistic regression for multi-omic data with an application to cardiometabolic syndrome [62.997667081978825]
  我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。 私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。 提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
  論文  参考訳（メタデータ） (2020-08-01T10:36:27Z)
• EmotionGIF-Yankee: A Sentiment Classifier with Robust Model Based Ensemble Methods [1.3382303974780296]
  本稿では,頑健なモデルに基づくアンサンブル手法を用いて感情を分類する手法を提案する。 このシステムは,SocialNLP 2020 EmotionGIFコンペティションにおいて,26チーム中3位にランクインした。
  論文  参考訳（メタデータ） (2020-07-05T07:48:51Z)
• The World is Not Binary: Learning to Rank with Grayscale Data for Dialogue Response Selection [55.390442067381755]
  人間の努力なしに、グレースケールのデータを自動的に構築できることが示される。 本手法では,自動グレースケールデータ生成装置として,市販の応答検索モデルと応答生成モデルを用いる。 3つのベンチマークデータセットと4つの最先端マッチングモデルの実験は、提案手法が大幅に、一貫したパフォーマンス改善をもたらすことを示している。
  論文  参考訳（メタデータ） (2020-04-06T06:34:54Z)
• AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
  機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。 最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。 第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。 3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
  論文  参考訳（メタデータ） (2020-01-15T18:32:06Z)

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。