論文の概要: CAREForMe: Contextual Multi-Armed Bandit Recommendation Framework for Mental Health

• arxiv url: http://arxiv.org/abs/2401.15188v1
• Date: Fri, 26 Jan 2024 20:18:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 19:37:50.227897
• Title: CAREForMe: Contextual Multi-Armed Bandit Recommendation Framework for Mental Health
• Title（参考訳）: CAREForMe:メンタルヘルスのためのコンテキスト多要素バンドレコメンデーションフレームワーク
• Authors: Sheng Yu, Narjes Nourzad, Randye J. Semple, Yixue Zhao, Emily Zhou, Bhaskar Krishnamachari
• Abstract要約: 本稿では、メンタルヘルスのためのコンテキスト型マルチアームバンディット(CMAB)勧告フレームワークであるCAREForMeを紹介する。 CAREForMeは、モバイルセンシングとオンライン学習アルゴリズムを利用して、タイムリーでパーソナライズされたレコメンデーションを提供する。 さまざまなプラットフォームにまたがる実装を通じて,CAREForMeの汎用性を紹介する。
• 参考スコア（独自算出の注目度）: 7.553541266741278
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The COVID-19 pandemic has intensified the urgency for effective and accessible mental health interventions in people's daily lives. Mobile Health (mHealth) solutions, such as AI Chatbots and Mindfulness Apps, have gained traction as they expand beyond traditional clinical settings to support daily life. However, the effectiveness of current mHealth solutions is impeded by the lack of context-awareness, personalization, and modularity to foster their reusability. This paper introduces CAREForMe, a contextual multi-armed bandit (CMAB) recommendation framework for mental health. Designed with context-awareness, personalization, and modularity at its core, CAREForMe harnesses mobile sensing and integrates online learning algorithms with user clustering capability to deliver timely, personalized recommendations. With its modular design, CAREForMe serves as both a customizable recommendation framework to guide future research, and a collaborative platform to facilitate interdisciplinary contributions in mHealth research. We showcase CAREForMe's versatility through its implementation across various platforms (e.g., Discord, Telegram) and its customization to diverse recommendation features.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは、人々の日常生活における効果的でアクセスしやすいメンタルヘルス介入の緊急性を高めている。 AI ChatbotsやMindfulness Appsといったモバイルヘルス(mHealth)ソリューションは、従来の臨床環境を超えて日々の生活をサポートするように拡張されている。 しかし、現在のmHealthソリューションの有効性は、その再利用性を高めるためのコンテキスト認識、パーソナライゼーション、モジュラリティの欠如によって妨げられている。 本稿では、メンタルヘルスのためのコンテキスト型マルチアームバンディット(CMAB)勧告フレームワークであるCAREForMeを紹介する。 careformeは、コンテキスト認識、パーソナライゼーション、モジュール性を備えたデザインで、モバイルセンシングを利用して、オンライン学習アルゴリズムとユーザクラスタリング機能を統合し、タイムリーでパーソナライズされたレコメンデーションを提供する。 CAREForMeはモジュール設計により、将来の研究をガイドするためのカスタマイズ可能なレコメンデーションフレームワークと、mHealth研究における学際的な貢献を促進するための共同プラットフォームの両方を提供する。 さまざまなプラットフォーム(例えばDiscord, Telegram)で実装されたCAREForMeの汎用性と,さまざまなレコメンデーション機能へのカスタマイズについて紹介する。

関連論文リスト

• Demystifying Large Language Models for Medicine: A Primer [50.83806796466396]
  大規模言語モデル(LLM)は、医療のさまざまな側面に革命をもたらすことのできる、変革的なAIツールのクラスである。 本チュートリアルは、LSMを臨床実践に効果的に統合するために必要なツールを医療専門家に提供することを目的としている。
  論文  参考訳（メタデータ） (2024-10-24T15:41:56Z)
• Optimizing HIV Patient Engagement with Reinforcement Learning in Resource-Limited Settings [2.619524972111665]
  CHARMアプリは、コミュニティヘルスワーカー(CHW)のためのAIネイティブモバイルアプリ 本稿では、CHARMの開発、統合、および今後の強化学習に基づく適応的介入について詳述する。
  論文  参考訳（メタデータ） (2024-08-14T15:55:31Z)
• MedAide: Leveraging Large Language Models for On-Premise Medical Assistance on Edge Devices [7.042194397224198]
  大規模言語モデル(LLM)は、その顕著な自然言語処理(NLP)能力によって、様々な領域に革命をもたらしている。 しかし,資源制約のあるエッジコンピューティングや組み込みシステムにLLMをデプロイすることは,大きな課題となる。 これらの課題には、限られた医療施設とインフラを備えた遠隔地での医療支援の提供が含まれる。
  論文  参考訳（メタデータ） (2024-02-28T08:30:49Z)
• Blockchain-empowered Federated Learning for Healthcare Metaverses: User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
  まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。 次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
  論文  参考訳（メタデータ） (2023-07-29T12:54:03Z)
• A Comprehensive Picture of Factors Affecting User Willingness to Use Mobile Health Applications [62.60524178293434]
  本研究の目的は,mHealthアプリのユーザ受け入れに影響を与える要因を検討することである。 利用者のデジタルリテラシーは、個人情報を共有するオンライン習慣に続き、使用意欲に最も強い影響を与える。 居住国、年齢、民族、教育などの利用者の人口統計学的背景は、顕著な緩和効果がある。
  論文  参考訳（メタデータ） (2023-05-10T08:11:21Z)
• User Engagement in Mobile Health Applications [0.0]
  モバイルヘルスアプリは、コミュニケーション、効率、サービスの品質を改善することで、医療エコシステムに革命をもたらしている。 低所得国や中所得国では、患者や医療従事者の健康状態や行動に関する情報の源泉としての役割も担っている。 本稿では,医療従事者や医療従事者を支援するデジタルヘルスアプリに焦点をあて,モバイルヘルスへのユーザエンゲージメントを研究するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T13:45:00Z)
• MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence using Federated Evaluation [110.31526448744096]
  この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。 MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
  論文  参考訳（メタデータ） (2021-09-29T18:09:41Z)
• I-Health: Leveraging Edge Computing and Blockchain for Epidemic Management [36.55809341110476]
  エピデミックな状況は、厳密な時間制約の中で、異なる場所やエンティティから集中的なデータ収集と管理を要求する。 本稿では, 独自の医療システムにおいて, 多様なeヘルスエンティティを集約することを目的とした, インテリジェントヘルス(Iヘルス)システムを提案する。 特に,早期発見,遠隔監視,迅速な緊急対応が可能な,患者自動監視方式をエッジに設計する。
  論文  参考訳（メタデータ） (2020-12-18T23:41:00Z)
• 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)
• Assessing the Severity of Health States based on Social Media Posts [62.52087340582502]
  ユーザの健康状態の重症度を評価するために,テキストコンテンツとコンテキスト情報の両方をモデル化する多視点学習フレームワークを提案する。 多様なNLUビューは、ユーザの健康を評価するために、タスクと個々の疾患の両方に効果を示す。
  論文  参考訳（メタデータ） (2020-09-21T03:45:14Z)
• Spoiled for Choice? Personalized Recommendation for Healthcare Decisions: A Multi-Armed Bandit Approach [1.6058099298620423]
  本稿では,医療介入の選択を支援するレコメンデーションフレームワークを提案する。 ユーザの健康行動が極めてダイナミックで多様なものであることを考慮し,マルチアーム・バンディット(MAB)によるレコメンデーションフレームワークを提案する。 そこで我々は、MABを医療の文脈に適応させるために、2つの革新的なモデル要素を顕著な健康理論に基づいて合成する。
  論文  参考訳（メタデータ） (2020-09-13T22:55:59Z)

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。