論文の概要: DepreSym: A Depression Symptom Annotated Corpus and the Role of LLMs as
Assessors of Psychological Markers
- arxiv url: http://arxiv.org/abs/2308.10758v1
- Date: Mon, 21 Aug 2023 14:44:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 13:09:49.044508
- Title: DepreSym: A Depression Symptom Annotated Corpus and the Role of LLMs as
Assessors of Psychological Markers
- Title（参考訳）: DepreSym: うつ症状アノテートコーパスと心理的マーカーのアセスメントとしてのLCMの役割
- Authors: Anxo P\'erez, Marcos Fern\'andez-Pichel, Javier Parapar, David E.
Losada
- Abstract要約: DepreSym データセットは Beck Depression Inventory-II 症状に関連する21580 文からなる。
このデータセットは、臨床症状などのうつ病マーカーを組み込んだモデルの開発を進めるための貴重なリソースとなる。
- 参考スコア（独自算出の注目度）: 3.5511184956329727
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computational methods for depression detection aim to mine traces of
depression from online publications posted by Internet users. However,
solutions trained on existing collections exhibit limited generalisation and
interpretability. To tackle these issues, recent studies have shown that
identifying depressive symptoms can lead to more robust models. The eRisk
initiative fosters research on this area and has recently proposed a new
ranking task focused on developing search methods to find sentences related to
depressive symptoms. This search challenge relies on the symptoms specified by
the Beck Depression Inventory-II (BDI-II), a questionnaire widely used in
clinical practice. Based on the participant systems' results, we present the
DepreSym dataset, consisting of 21580 sentences annotated according to their
relevance to the 21 BDI-II symptoms. The labelled sentences come from a pool of
diverse ranking methods, and the final dataset serves as a valuable resource
for advancing the development of models that incorporate depressive markers
such as clinical symptoms. Due to the complex nature of this relevance
annotation, we designed a robust assessment methodology carried out by three
expert assessors (including an expert psychologist). Additionally, we explore
here the feasibility of employing recent Large Language Models (ChatGPT and
GPT4) as potential assessors in this complex task. We undertake a comprehensive
examination of their performance, determine their main limitations and analyze
their role as a complement or replacement for human annotators.
- Abstract（参考訳）: 抑うつ検出のための計算手法は、インターネットユーザーが投稿したオンライン出版物からうつ病の痕跡を発掘することを目的としている。
しかし、既存のコレクションで訓練された解は限定的な一般化と解釈性を示す。
これらの問題に取り組むために、近年の研究はうつ病の症状を特定することがより堅牢なモデルにつながることを示した。
eriskイニシアティブはこの分野の研究を促進させ、最近、うつ病症状に関連する文を見つけるための探索手法の開発に焦点を当てた新しいランキングタスクを提案した。
このサーチチャレンジは、臨床実践で広く用いられているBeck Depression Inventory-II (BDI-II) の症状に依存する。
参加者システムの結果に基づいて,21のBDI-II症状との関連性に応じて注釈付き21580文からなるDepreSymデータセットを提案する。
ラベル付き文は様々なランク付け手法のプールから得られ、最終データセットは臨床症状などの抑うつマーカーを組み込んだモデルを開発するための貴重な資源となる。
この関連アノテーションの複雑な性質から,3人の専門家(専門心理学者を含む)による堅牢な評価手法を考案した。
さらに,近年の大規模言語モデル(ChatGPT, GPT4)を,この複雑なタスクにおける潜在的アセスメントとして活用する可能性についても検討する。
我々は,それらの性能を総合的に検証し,その主な限界を判定し,人間のアノテーションの補完的・代替的役割を解析する。
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) - LLM Questionnaire Completion for Automatic Psychiatric Assessment [49.1574468325115]
大規模言語モデル(LLM)を用いて、非構造的心理面接を、様々な精神科領域と人格領域にまたがる構造化された質問票に変換する。
得られた回答は、うつ病の標準化された精神医学的指標(PHQ-8)とPTSD(PCL-C)の予測に使用される特徴として符号化される。
論文 参考訳（メタデータ） (2024-06-09T09:03:11Z) - Depression Detection on Social Media with Large Language Models [23.075317886505193]
抑うつ検出は、ソーシャルメディア上の投稿履歴を分析して、個人が抑うつに苦しむかどうかを判断することを目的としている。
本稿では,医学的知識と大規模言語モデルの最近の進歩を融合した,DORISと呼ばれる新規なうつ病検出システムを提案する。
論文 参考訳（メタデータ） (2024-03-16T01:01:16Z) - Your Model Is Not Predicting Depression Well And That Is Why: A Case
Study of PRIMATE Dataset [0.0]
ソーシャルメディアのテキストからNLPに基づく抑うつレベル推定に使用されるメンタルヘルスデータセットのアノテーションの品質について検討する。
本研究は,アノテーションの妥当性,特に関心の欠如や快楽症状に対する懸念を明らかにする。
Data Use Agreementの下でリリースされる当社の洗練されたアノテーションは、アンヘドニア検出のための高品質なテストセットを提供します。
論文 参考訳（メタデータ） (2024-03-01T10:47:02Z) - What Symptoms and How Long? An Interpretable AI Approach for Depression
Detection in Social Media [0.5156484100374058]
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。
論文 参考訳（メタデータ） (2023-05-18T20:15:04Z) - 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) - 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) - DEPTWEET: A Typology for Social Media Texts to Detect Depression
Severities [0.46796109436086664]
我々はうつ病の重症度を検出するために,うつ病の臨床的記述を活用してソーシャルメディアテキストのタイプロジを構築する。
精神疾患の診断・統計マニュアル(DSM-5)と患者健康アンケート(PHQ-9)の標準的臨床評価手順をエミュレートする
専門家アノテータによってラベル付けされた40191ツイートの新しいデータセットを提示します。それぞれのツイートは、"non-depressed"あるいは"depressed"とラベル付けされます。
論文 参考訳（メタデータ） (2022-10-10T08:23:57Z) - 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) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z)
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。