論文の概要: Discovering Mental Health Research Topics with Topic Modeling
- arxiv url: http://arxiv.org/abs/2308.13569v1
- Date: Fri, 25 Aug 2023 05:25:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 20:26:59.019554
- Title: Discovering Mental Health Research Topics with Topic Modeling
- Title（参考訳）: トピックモデリングによるメンタルヘルス研究トピックの発見
- Authors: Xin Gao, Cem Sazara
- Abstract要約: 本研究は,精神保健研究論文の大規模データセットを解析することにより,現場における一般的な傾向を把握し,ハイインパクトな研究トピックを特定することを目的とする。
本データセットは、精神保健に関する96,676件の研究論文からなり、その要約を用いて、異なるトピック間の関係を調べることができる。
分析を強化するため,精神保健研究に応用された機械学習モデルの包括的概要を提供するために,ワードクラウドも生成した。
- 参考スコア（独自算出の注目度）: 13.651763262606782
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Mental health significantly influences various aspects of our daily lives,
and its importance has been increasingly recognized by the research community
and the general public, particularly in the wake of the COVID-19 pandemic. This
heightened interest is evident in the growing number of publications dedicated
to mental health in the past decade. In this study, our goal is to identify
general trends in the field and pinpoint high-impact research topics by
analyzing a large dataset of mental health research papers. To accomplish this,
we collected abstracts from various databases and trained a customized
Sentence-BERT based embedding model leveraging the BERTopic framework. Our
dataset comprises 96,676 research papers pertaining to mental health, enabling
us to examine the relationships between different topics using their abstracts.
To evaluate the effectiveness of the model, we compared it against two other
state-of-the-art methods: Top2Vec model and LDA-BERT model. The model
demonstrated superior performance in metrics that measure topic diversity and
coherence. To enhance our analysis, we also generated word clouds to provide a
comprehensive overview of the machine learning models applied in mental health
research, shedding light on commonly utilized techniques and emerging trends.
Furthermore, we provide a GitHub link* to the dataset used in this paper,
ensuring its accessibility for further research endeavors.
- Abstract（参考訳）: メンタルヘルスは私たちの日常生活の様々な側面に大きく影響し、その重要性は研究コミュニティや一般大衆、特に新型コロナウイルスのパンデミックの影響でますます認識されるようになった。
この関心の高まりは、過去10年間のメンタルヘルスに関する出版物の増加に顕著である。
本研究の目的は,メンタルヘルス研究論文の大規模データセットを分析し,現場の一般的な傾向を特定し,ハイインパクトな研究トピックを特定することである。
これを実現するために,さまざまなデータベースから抽象情報を収集し,BERTopicフレームワークを利用したSentence-BERTベースの埋め込みモデルをカスタマイズした。
データセットは,精神健康に関する96,676の研究論文からなり,それらの要約を用いて異なる話題間の関係を検証できる。
モデルの有効性を評価するために、Top2VecモデルとLDA-BERTモデルという2つの最先端手法を比較した。
このモデルは、トピックの多様性とコヒーレンスを測定するメトリクスにおいて優れたパフォーマンスを示した。
分析を強化するため、我々はワードクラウドを生成し、メンタルヘルス研究に応用された機械学習モデルの概要や、一般的に利用される技術や新しいトレンドについて光を当てる。
さらに、本論文で使用するデータセットへのgithubリンク*を提供し、さらなる研究努力のためのアクセシビリティを確保する。
関連論文リスト
- Lessons Learned on Information Retrieval in Electronic Health Records: A Comparison of Embedding Models and Pooling Strategies [8.822087602255504]
大きな言語モデルを臨床領域に適用することは、医療記録を処理するという文脈重大な性質のために困難である。
本稿では, 組込みモデルとプール法の違いが臨床領域の情報検索に与える影響について検討する。
論文 参考訳（メタデータ） (2024-09-23T16:16:08Z) - Rapid Biomedical Research Classification: The Pandemic PACT Advanced Categorisation Engine [10.692728349388297]
Pandemic PACTプロジェクトは、アウトブレイクの可能性のある幅広い病気の研究資金と臨床証拠を追跡し、分析することを目的としている。
本稿では,Pandemic PACT Advanced Categorisation Engine(PPACE)と関連するデータセットを紹介する。
論文 参考訳（メタデータ） (2024-07-14T05:22:53Z) - Explainable AI for Mental Disorder Detection via Social Media: A survey and outlook [0.7689629183085726]
データサイエンス、人工知能、メンタルヘルスケアの交差点を徹底的に調査する。
人口の大部分がオンラインソーシャルメディアプラットフォームに積極的に関与し、膨大な個人情報を保管している。
この論文は、従来の診断方法、最先端のデータおよびAI駆動型研究研究、および精神医療のための説明可能なAIモデル(XAI)の出現をナビゲートする。
論文 参考訳（メタデータ） (2024-06-10T02:51:16Z) - Question-Answering Model for Schizophrenia Symptoms and Their Impact on
Daily Life using Mental Health Forums Data [0.0]
メンタルヘルスのフォーラムは統合失調症と異なる精神疾患に苦しむ人々のためのフォーラムである。
データセットを前処理してQAデータセットに変換する方法が示されている。
BiBERT、DistilBERT、RoBERTa、BioBERTモデルはF1-Score、Exact Match、Precision、Recallを通じて微調整され評価された。
論文 参考訳（メタデータ） (2023-09-30T17:50:50Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Application of targeted maximum likelihood estimation in public health
and epidemiological studies: a systematic review [0.0]
Targeted Maximum Likelihood Estimation frameworkは、機械学習、統計理論、統計推論を統合している。
我々は、観察研究にTMLEのあらゆる形態を適用した論文について、PubMedで体系的な文献レビューを行う。
81の出版物のうち25%はカリフォルニア大学バークレー校が発祥で、このフレームワークが最初に開発された。
論文 参考訳（メタデータ） (2023-03-13T17:50:03Z) - MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。
我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
論文 参考訳（メタデータ） (2020-11-17T15:18:38Z) - Muti-view Mouse Social Behaviour Recognition with Deep Graphical Model [124.26611454540813]
マウスの社会的行動分析は神経変性疾患の治療効果を評価する貴重なツールである。
マウスの社会行動の豊かな記述を創出する可能性から、ネズミの観察にマルチビュービデオ記録を使用することは、ますます注目を集めている。
本稿では,ビュー固有のサブ構造とビュー共有サブ構造を協調的に学習する,新しい多視点潜在意識・動的識別モデルを提案する。
論文 参考訳（メタデータ） (2020-11-04T18:09:58Z) - Predicting Clinical Diagnosis from Patients Electronic Health Records
Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。
本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。
約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文 参考訳（メタデータ） (2020-07-15T09:22:55Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳（メタデータ） (2019-12-28T02:44:29Z)
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。