論文の概要: WellXplain: Wellness Concept Extraction and Classification in Reddit
Posts for Mental Health Analysis
- arxiv url: http://arxiv.org/abs/2308.13710v1
- Date: Fri, 25 Aug 2023 23:50:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 19:36:05.627441
- Title: WellXplain: Wellness Concept Extraction and Classification in Reddit
Posts for Mental Health Analysis
- Title（参考訳）: WellXplain:メンタルヘルス分析のためのRedditポストにおけるウェルネスの概念抽出と分類
- Authors: Muskan Garg
- Abstract要約: 伝統的なセラピーセッションでは、専門家は、基礎となる精神的な課題の起源と成果を手動で特定する。
本稿では、Redditコンテンツ中のウェルネス次元の同定を、ウェルネス概念抽出とカテゴリー化の課題として考慮し、この複雑なメンタルヘルス分析へのアプローチを紹介する。
WELLXPLAINという名前のユニークなデータセットは、3,092のエントリと72,813のワードで構成されています。
- 参考スコア（独自算出の注目度）: 8.430481660019451
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: During the current mental health crisis, the importance of identifying
potential indicators of mental issues from social media content has surged.
Overlooking the multifaceted nature of mental and social well-being can have
detrimental effects on one's mental state. In traditional therapy sessions,
professionals manually pinpoint the origins and outcomes of underlying mental
challenges, a process both detailed and time-intensive. We introduce an
approach to this intricate mental health analysis by framing the identification
of wellness dimensions in Reddit content as a wellness concept extraction and
categorization challenge. We've curated a unique dataset named WELLXPLAIN,
comprising 3,092 entries and totaling 72,813 words. Drawing from Halbert L.
Dunn's well-regarded wellness theory, our team formulated an annotation
framework along with guidelines. This dataset also includes human-marked
textual segments, offering clear reasoning for decisions made in the wellness
concept categorization process. Our aim in publishing this dataset and
analyzing initial benchmarks is to spearhead the creation of advanced language
models tailored for healthcare-focused concept extraction and categorization.
- Abstract（参考訳）: 現在のメンタルヘルス危機の間、ソーシャルメディアコンテンツからメンタル問題の潜在的な指標を特定する重要性が高まっている。
精神と社会的幸福の多面的な性質を見渡すことは、精神状態に有害な影響を及ぼす可能性がある。
伝統的なセラピーセッションでは、専門家は基礎となる精神的課題の起源と成果を手作業で特定する。
本稿では,redditコンテンツのウェルネス次元の同定をウェルネス概念抽出と分類の課題とすることで,この複雑なメンタルヘルス分析へのアプローチを提案する。
WELLXPLAINという名前のユニークなデータセットは、3,092のエントリと72,813のワードで構成されています。
halbert l. dunn の wellness 理論を参考に,アノテーションフレームワークとガイドラインを定式化した。
このデータセットには、人間マーク付きテキストセグメントも含まれており、ウェルネス概念分類プロセスでなされた決定の明確な推論を提供する。
このデータセットを公開し、最初のベンチマークを分析する目的は、医療に焦点を当てた概念抽出と分類のための高度な言語モデルの作成を先導することです。
関連論文リスト
- Measuring Non-Typical Emotions for Mental Health: A Survey of Computational Approaches [57.486040830365646]
ストレスと抑うつは日々のタスクにおけるエンゲージメントに影響を与え、彼らの相互作用を理解する必要性を強調します。
この調査は、ストレス、抑うつ、エンゲージメントを分析する計算手法を同時に探求した最初のものである。
論文 参考訳（メタデータ） (2024-03-09T11:16:09Z) - Zero-shot Explainable Mental Health Analysis on Social Media by Incorporating Mental Scales [23.94585145560042]
MAIMS(Incorporating Mental Scales)による精神分析は、精神状態を評価するために尺度を使用する心理的アセスメントの実践に着想を得たものである。
第一に、患者はメンタルスケールを完了し、第二に、心理学者は収集した情報をメンタルスケールから解釈し、情報的決定を行う。
論文 参考訳（メタデータ） (2024-02-09T09:44:06Z) - Mental Health Diagnosis in the Digital Age: Harnessing Sentiment
Analysis on Social Media Platforms upon Ultra-Sparse Feature Content [3.6195994708545016]
3次元構造を持つ新しい意味的特徴前処理手法を提案する。
強化されたセマンティック機能により、精神障害を予測および分類するために機械学習モデルを訓練する。
提案手法は,7つのベンチマークモデルと比較して,大幅な性能向上を示した。
論文 参考訳（メタデータ） (2023-11-09T00:15:06Z) - Interpreting Pretrained Language Models via Concept Bottlenecks [55.47515772358389]
事前訓練された言語モデル(PLM)は、様々な自然言語処理タスクにおいて大きな進歩を遂げてきた。
ブラックボックスの性質による解釈可能性の欠如は、責任ある実装に課題をもたらす。
本研究では,人間にとって理解しやすい高レベルで有意義な概念を用いて,PLMを解釈する新しい手法を提案する。
論文 参考訳（メタデータ） (2023-11-08T20:41:18Z) - Towards Mitigating Hallucination in Large Language Models via
Self-Reflection [63.2543947174318]
大規模言語モデル(LLM)は、質問応答(QA)タスクを含む生成的および知識集約的なタスクを約束している。
本稿では,広範に採用されているLCMとデータセットを用いた医療再生QAシステムにおける幻覚現象を解析する。
論文 参考訳（メタデータ） (2023-10-10T03:05:44Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳（メタデータ） (2023-01-01T12:48:12Z) - Counseling Summarization using Mental Health Knowledge Guided Utterance
Filtering [25.524804770124145]
精神医療のカウンセリングは、ドメイン知識を生かし、臨床医が素早く意味を身につけるのを助けるために、要約を指導することを目的としている。
我々は、対話毎に12.9Kのカウンセリングコンポーネントと参照サマリーのアノテート後、新しいデータセットを作成する。
コンサムには3つの独立したモジュールがある。まず、抑うつ症状の有無を評価するために、患者健康アンケート(PHQ-9)を用いた発話をフィルタリングする。
論文 参考訳（メタデータ） (2022-06-08T13:38:47Z) - Capturing social media expressions during the COVID-19 pandemic in
Argentina and forecasting mental health and emotions [0.802904964931021]
アルゼンチンで発生したCOVID-19パンデミックの際の精神状態や感情は、ソーシャルメディアで使われる言語表現に基づいて予測する。
メンタルヘルスの状況と感情は、ソーシャルメディアの内容とレキシコンを結びつけるマーカーを介してキャプチャされる。
論文 参考訳（メタデータ） (2021-01-12T15:15:31Z) - 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) - Pose-based Body Language Recognition for Emotion and Psychiatric Symptom
Interpretation [75.3147962600095]
通常のRGBビデオから始まるボディーランゲージに基づく感情認識のための自動フレームワークを提案する。
心理学者との連携により,精神症状予測の枠組みを拡張した。
提案されたフレームワークの特定のアプリケーションドメインは限られた量のデータしか供給しないため、フレームワークは小さなトレーニングセットで動作するように設計されている。
論文 参考訳（メタデータ） (2020-10-30T18:45:16Z) - Adapting Deep Learning Methods for Mental Health Prediction on Social
Media [10.102073937554488]
メンタルヘルスは、個人の幸福のために重要な課題となる。
深層学習モデルを用いてソーシャルメディア利用者の精神状態を検出するという課題に取り組む。
ユーザが9つの異なる障害のうちの1つに苦しむかどうかを予測するバイナリ分類タスクでは、階層的な注意ネットワークが以前設定された4つの障害のベンチマークを上回っている。
論文 参考訳（メタデータ） (2020-03-17T10:49:03Z)
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。