論文の概要: What's Race Got to do with it? Predicting Youth Depression Across Racial
Groups Using Machine and Deep Learning
- arxiv url: http://arxiv.org/abs/2308.11591v1
- Date: Mon, 21 Aug 2023 13:59:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 17:07:50.816660
- Title: What's Race Got to do with it? Predicting Youth Depression Across Racial
Groups Using Machine and Deep Learning
- Title(参考訳): Race Gotはそれと何の関係があるのか?
機械学習とディープラーニングを用いた人種間での若者の抑うつ予測
- Authors: Nathan Zhong and Nikhil Yadav
- Abstract要約: うつ病は一般的だが深刻な精神障害であり、毎年何百万人もの高校生に影響を与えている。
本研究では、機械学習(ML)モデルと人工知能ニューラルネットワーク(ANN)モデルを用いて、学生のうつ病を分類する手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Depression is a common yet serious mental disorder that affects millions of
U.S. high schoolers every year. Still, accurate diagnosis and early detection
remain significant challenges. In the field of public health, research shows
that neural networks produce promising results in identifying other diseases
such as cancer and HIV. This study proposes a similar approach, utilizing
machine learning (ML) and artificial neural network (ANN) models to classify
depression in a student. Additionally, the study highlights the differences in
relevant factors for race subgroups and advocates the need for more extensive
and diverse datasets. The models train on nationwide Youth Risk Behavior
Surveillance System (YRBSS) survey data, in which the most relevant factors of
depression are found with statistical analysis. The survey data is a structured
dataset with 15000 entries including three race subsets each consisting of 900
entries. For classification, the research problem is modeled as a supervised
learning binary classification problem. Factors relevant to depression for
different racial subgroups are also identified. The ML and ANN models are
trained on the entire dataset followed by different race subsets to classify
whether an individual has depression. The ANN model achieves the highest F1
score of 82.90% while the best-performing machine learning model, support
vector machines (SVM), achieves a score of 81.90%. This study reveals that
different parameters are more valuable for modeling depression across diverse
racial groups and furthers research regarding American youth depression.
- Abstract(参考訳): うつ病は一般的だが深刻な精神障害であり、毎年何百万人もの高校生に影響を与えている。
それでも、正確な診断と早期発見は重要な課題である。
公衆衛生の分野では、ニューラルネットワークががんやHIVなどの他の病気を識別する有望な結果をもたらすことが研究によって示されている。
本研究では,機械学習(ml)モデルとニューラルネットワーク(ann)モデルを用いて,学生の抑うつを分類する手法を提案する。
さらに、この研究は人種サブグループに関連する要因の違いを強調し、より広範囲で多様なデータセットの必要性を提唱している。
モデルでは全国の若者リスク行動監視システム(yrbss)の調査データをトレーニングし、統計分析によりうつ病の最も関連する要因が明らかになった。
調査データは、900のエントリからなる3つのレースサブセットを含む15,000のエントリからなる構造化データセットである。
分類では、研究問題を教師付き学習二分分類問題としてモデル化する。
異なる人種サブグループに対する抑うつに関連する要因も同定される。
MLとANNモデルはデータセット全体に基づいてトレーニングされ、続いてさまざまなレースサブセットを使用して、個人がうつ病を患っているかどうかを分類する。
ANNモデルが最も高いF1スコアは82.90%、最高のパフォーマンスの機械学習モデルであるサポートベクターマシン(SVM)は81.90%である。
本研究は、様々な人種集団におけるうつ病のモデル化に異なるパラメータが有用であることを明らかにし、アメリカの青年うつ病の研究をさらに進める。
関連論文リスト
- Adapting Machine Learning Diagnostic Models to New Populations Using a
Small Amount of Data: Results from Clinical Neuroscience [17.161866044628205]
我々は、ソースグループからのデータを最適に組み合わせ、ターゲットグループで予測する、重み付き経験的リスク最小化手法を開発した。
本研究では,アルツハイマー病の診断と脳年齢推定のためのMLモデルを構築するため,20の神経画像研究から15,363人のマルチソースデータに適用した。
論文 参考訳(メタデータ) (2023-08-06T18:05:39Z) - Detecting Reddit Users with Depression Using a Hybrid Neural Network
SBERT-CNN [18.32536789799511]
うつ病は広範なメンタルヘルスの問題であり、世界の人口の3.8%に影響を及ぼしている。
本稿では,事前訓練された文BERT(SBERT)と畳み込みニューラルネットワーク(CNN)を組み合わせたハイブリッドディープラーニングモデルを提案する。
このモデルは精度0.86とF1スコア0.86を達成し、文学における他の機械学習モデルによる最先端の文書化結果(F1スコア0.79)を上回った。
論文 参考訳(メタデータ) (2023-02-03T06:22:18Z) - Picking on the Same Person: Does Algorithmic Monoculture lead to Outcome
Homogenization? [90.35044668396591]
機械学習における繰り返しのテーマはアルゴリズムによるモノカルチャーである。同じシステム、またはコンポーネントを共有するシステムは、複数の意思決定者によってデプロイされる。
意思決定者がトレーニングデータや特定のモデルなどのコンポーネントを共有すれば、より均一な結果が得られます。
我々はこの仮説をアルゴリズムフェアネスベンチマークで検証し、トレーニングデータの共有がホモジェナイゼーションを確実に悪化させることを示した。
結果の均質化に関する哲学的分析と社会的な課題を、デプロイされた機械学習システムに含めることに着目して結論付ける。
論文 参考訳(メタデータ) (2022-11-25T09:33:11Z) - Statistical and Computational Phase Transitions in Group Testing [73.55361918807883]
本研究の目的は、希少な疾患を患っているk人の集団を同定することである。
個々人のテストを割り当てるための2つの異なる単純なランダムな手順を考える。
論文 参考訳(メタデータ) (2022-06-15T16:38:50Z) - Machine Learning Models Are Not Necessarily Biased When Constructed
Properly: Evidence from Neuroimaging Studies [19.288217559980545]
我々は、適切に訓練された機械学習モデルが、様々な条件にまたがって適切に一般化できる実験データを提供する。
具体的には、アルツハイマー病、統合失調症、自閉症スペクトラム障害の診断にマルチスタディ磁気共鳴画像コンソーシアを用いて、よく訓練されたモデルの精度が、異なるサブグループ間で一致していることが判明した。
論文 参考訳(メタデータ) (2022-05-26T15:24:39Z) - Clinical trial site matching with improved diversity using fair policy
learning [56.01170456417214]
我々は,臨床治験記述を潜在的な試験現場のランクリストにマッピングするモデルを学習する。
既存のフェアネスフレームワークとは異なり、各トライアルサイトのグループメンバーシップは非バイナリである。
このようなマルチグループメンバーシップシナリオに対処するために、人口統計学的妥当性に基づく公平性基準を提案する。
論文 参考訳(メタデータ) (2022-04-13T16:35:28Z) - Fairness in Cardiac MR Image Analysis: An Investigation of Bias Due to
Data Imbalance in Deep Learning Based Segmentation [1.6386696247541932]
AIにおける「フェアネス」とは、人種や性別などの人口統計特性に基づいて、潜在的なバイアスのアルゴリズムを評価することを指す。
近年, 心MR領域の深層学習(DL)が注目されているが, それらの妥当性についてはまだ研究されていない。
異なる人種集団間でDiceのパフォーマンスに統計的に有意な差が認められた。
論文 参考訳(メタデータ) (2021-06-23T13:27:35Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳(メタデータ) (2021-04-22T13:39:33Z) - Gender and Racial Fairness in Depression Research using Social Media [13.512136878021854]
ソーシャルメディアデータは、計算レンズからメンタルヘルス研究への関心を高めました。
これまでの研究では、このデータから生成されたモデルのバイアスが懸念されている。
我々の研究は、将来の研究でこれらのバイアスを避けるための推奨事項で締めくくっている。
論文 参考訳(メタデータ) (2021-03-18T22:34:41Z) - 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) - Multi-Site Infant Brain Segmentation Algorithms: The iSeg-2019 Challenge [53.48285637256203]
iSeg 2019 Challengeは、さまざまなプロトコル/スキャナーを持つ複数のサイトから6ヶ月の乳児のセットを提供する。
執筆時点では、iSeg 2019には30の自動セグメンテーションメソッドが参加している。
私たちは、パイプライン/実装の詳細を説明し、実験結果を示し、脳全体、関心領域、ジャラルランドマークカーブの観点からパフォーマンスを評価することで、上位8チームについてレビューします。
論文 参考訳(メタデータ) (2020-07-04T13:39:48Z)
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。