論文の概要: DeepLearningBrasil@LT-EDI-2023: Exploring Deep Learning Techniques for Detecting Depression in Social Media Text

• arxiv url: http://arxiv.org/abs/2311.05047v1
• Date: Wed, 8 Nov 2023 22:42:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-10 16:29:43.266979
• Title: DeepLearningBrasil@LT-EDI-2023: Exploring Deep Learning Techniques for Detecting Depression in Social Media Text
• Title（参考訳）: DeepLearningBrasil@LT-EDI-2023:ソーシャルメディアテキストにおける抑うつ検出のためのディープラーニング技術の探索
• Authors: Eduardo Garcia, Juliana Gomes, Adalberto Barbosa J\'unior, Cardeque Borges, N\'adia da Silva
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we delineate the strategy employed by our team, DeepLearningBrasil, which secured us the first place in the shared task DepSign-LT-EDI@RANLP-2023, achieving a 47.0% Macro F1-Score and a notable 2.4% advantage. The task was to classify social media texts into three distinct levels of depression - "not depressed," "moderately depressed," and "severely depressed." Leveraging the power of the RoBERTa and DeBERTa models, we further pre-trained them on a collected Reddit dataset, specifically curated from mental health-related Reddit's communities (Subreddits), leading to an enhanced understanding of nuanced mental health discourse. To address lengthy textual data, we used truncation techniques that retained the essence of the content by focusing on its beginnings and endings. Our model was robust against unbalanced data by incorporating sample weights into the loss. Cross-validation and ensemble techniques were then employed to combine our k-fold trained models, delivering an optimal solution. The accompanying code is made available for transparency and further development.
• Abstract（参考訳）: 本稿では,DepSign-LT-EDI@RANLP-2023の共有タスクにおける第1位を確保し,47.0%のマクロF1スコアと2.4%のメリットを達成した,私たちのチームであるDeepLearningBrasilの戦略を概説する。 課題は、ソーシャルメディアのテキストを「抑うつしない」、「緩やかに抑うつしている」、「常に抑うつしている」という3つの異なるレベルの抑うつに分類することであった。 ロベルタとデベルタのモデルの力を活用し、これらのデータをredditデータセットに事前トレーニングし、特にメンタルヘルス関連のredditコミュニティ(reddit)から収集し、ニュアンス化されたメンタルヘルスの談話に対する理解を深めた。 長文データに対処するために,開始点と終了点に焦点をあててコンテンツの本質を保ったトランケーション手法を用いた。 このモデルでは, サンプル重みを損失に組み込むことにより, 不均衡データに対して頑健であった。 クロスバリデーションとアンサンブル技術は、我々のkフォールドトレーニングモデルを組み合わせるために使われ、最適なソリューションを提供する。 付随するコードは透明性とさらなる開発のために利用できる。

関連論文リスト

• Enhancing Depressive Post Detection in Bangla: A Comparative Study of TF-IDF, BERT and FastText Embeddings [0.0]
  本研究は,バングラにおける抑うつ的なソーシャルメディア投稿を識別する手法を提案する。 ドメインの専門家によって注釈付けされたこの研究で使用されるデータセットには、抑うつ的ポストと非抑うつ的ポストの両方が含まれている。 クラス不均衡の問題に対処するために,マイノリティクラスに対するランダムなオーバーサンプリングを利用した。
  論文  参考訳（メタデータ） (2024-07-12T11:40:17Z)
• Understanding writing style in social media with a supervised contrastively pre-trained transformer [57.48690310135374]
  オンラインソーシャルネットワークは、ヘイトスピーチから偽情報の拡散まで、有害な行動の場として機能している。 本稿では, 4.5 x 106テキストの公開資料から得られた大規模コーパスに基づいて学習したStyle Transformer for Authorship Representations (STAR)を紹介する。 512個のトークンからなる8つのドキュメントからなるサポートベースを使用して、著者を最大1616人の著者のセットから、少なくとも80%の精度で識別することができる。
  論文  参考訳（メタデータ） (2023-10-17T09:01:17Z)
• Cordyceps@LT-EDI: Depression Detection with Reddit and Self-training [0.0]
  うつ病は不安定であり、まれではない。事実、過度のソーシャルメディア利用者の研究は、うつ病、ADHD、その他のメンタルヘルスの懸念と相関している。 本研究では,重度,中等度,低レベルのうつ病を経験しているユーザからの投稿を予測するために,半教師付き学習技術を用いた重度うつ病検出システムを提案する。
  論文  参考訳（メタデータ） (2023-09-24T01:14:49Z)
• A Framework for Identifying Depression on Social Media: MentalRiskES@IberLEF 2023 [0.979963710164115]
  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。
  論文  参考訳（メタデータ） (2023-06-28T11:53:07Z)
• ManiTweet: A New Benchmark for Identifying Manipulation of News on Social Media [74.93847489218008]
  ソーシャルメディア上でのニュースの操作を識別し,ソーシャルメディア投稿の操作を検出し,操作された情報や挿入された情報を特定することを目的とした,新しいタスクを提案する。 この課題を研究するために,データ収集スキーマを提案し,3.6K対のツイートとそれに対応する記事からなるManiTweetと呼ばれるデータセットをキュレートした。 我々の分析では、このタスクは非常に難しいことを示し、大きな言語モデル(LLM)は不満足なパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2023-05-23T16:40:07Z)
• 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)
• 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)
• Depression Symptoms Modelling from Social Media Text: An Active Learning Approach [1.513693945164213]
  初期教師付き学習モデルを用いたアクティブラーニングフレームワークについて述べる。 我々は、大規模な自己計算された抑うつツイートリポジトリからうつ症状に関するサンプルを採取する。 我々は、その種類の中で最大である最終データセットを作成できることを示します。
  論文  参考訳（メタデータ） (2022-09-06T18:41:57Z)
• Data set creation and empirical analysis for detecting signs of depression from social media postings [0.0]
  うつ病は、深刻な結果を避けるために、早期に検出され治療されなければならない一般的な精神疾患である。 我々は、ソーシャルメディアの投稿から、うつ病のレベルが落ち込んでいないこと、中程度に落ち込んでいないこと、および深刻な落ち込んでいないことを検知する、金の標準データセットを開発した。
  論文  参考訳（メタデータ） (2022-02-07T10:24:33Z)
• 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)
• 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)

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。