論文の概要: Empowering machine learning models with contextual knowledge for
enhancing the detection of eating disorders in social media posts
- arxiv url: http://arxiv.org/abs/2402.05536v1
- Date: Thu, 8 Feb 2024 10:15:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-09 15:40:15.823362
- Title: Empowering machine learning models with contextual knowledge for
enhancing the detection of eating disorders in social media posts
- Title（参考訳）: ソーシャルメディア投稿における摂食障害検出能力向上のための文脈知識付き機械学習モデルの構築
- Authors: Jos\'e Alberto Ben\'itez-Andrades, Mar\'ia Teresa Garc\'ia-Ord\'as,
Mayra Russo, Ahmad Sakor, Luis Daniel Fernandes Rotger and Maria-Esther Vidal
- Abstract要約: 本稿では,知識グラフと深層学習を組み合わせてソーシャルメディア投稿の分類を強化する新しいハイブリッドアプローチを提案する。
我々は、健康領域、特に摂食障害に関連するポストを特定することに重点を置いている。
我々は,摂食障害に関する2000ツイートのデータセットを用いて,知識グラフ情報と単語埋め込みを組み合わせることで,予測モデルの信頼性が向上することを確認した。
- 参考スコア（独自算出の注目度）: 1.0423569489053137
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Social networks are vital for information sharing, especially in the health
sector for discussing diseases and treatments. These platforms, however, often
feature posts as brief texts, posing challenges for Artificial Intelligence
(AI) in understanding context. We introduce a novel hybrid approach combining
community-maintained knowledge graphs (like Wikidata) with deep learning to
enhance the categorization of social media posts. This method uses advanced
entity recognizers and linkers (like Falcon 2.0) to connect short post entities
to knowledge graphs. Knowledge graph embeddings (KGEs) and contextualized word
embeddings (like BERT) are then employed to create rich, context-based
representations of these posts.
Our focus is on the health domain, particularly in identifying posts related
to eating disorders (e.g., anorexia, bulimia) to aid healthcare providers in
early diagnosis. We tested our approach on a dataset of 2,000 tweets about
eating disorders, finding that merging word embeddings with knowledge graph
information enhances the predictive models' reliability. This methodology aims
to assist health experts in spotting patterns indicative of mental disorders,
thereby improving early detection and accurate diagnosis for personalized
medicine.
- Abstract（参考訳）: ソーシャルネットワークは情報共有に不可欠であり、特に医療分野では病気や治療について議論している。
しかしながら、これらのプラットフォームは投稿を短いテキストとして取り上げ、コンテキストを理解する上で人工知能(AI)の課題を提起することが多い。
我々は,コミュニティが保持する知識グラフ(Wikidataなど)と深層学習を組み合わせた新しいハイブリッドアプローチを導入し,ソーシャルメディア投稿の分類を強化した。
この方法は、高度なエンティティ認識と(falcon 2.0のような)リンカを使用して、短いポストエンティティと知識グラフを接続する。
知識グラフ埋め込み(KGE)とコンテキスト化された単語埋め込み(BERTなど)は、これらのポストのリッチでコンテキストベースの表現を作成するために使用される。
我々は、特に食事障害(例えば食欲不振、ブリミア)に関連するポストを特定し、早期診断において医療提供者を支援することに焦点を当てている。
我々は,摂食障害に関する2000ツイートのデータセット上で,単語埋め込みと知識グラフ情報の統合が予測モデルの信頼性を高めることを発見した。
本手法は、精神障害を示すパターンの発見を支援することにより、パーソナライズされた医療の早期発見と正確な診断を改善することを目的とする。
関連論文リスト
- Leveraging Social Determinants of Health in Alzheimer's Research Using LLM-Augmented Literature Mining and Knowledge Graphs [33.755845172595365]
成長する証拠は、社会的健康決定因子(SDoH)がアルツハイマー病(AD)と関連する認知症を発症する個人のリスクに影響を与えることを示唆している。
本研究は、SDoHの知識を広範囲にわたる文献から抽出し、AD関連生物学的実体と統合するための、新しい自動化された枠組みを提案する。
本フレームワークは,ADにおける知識発見の促進を約束し,他のSDoH関連研究領域に一般化することができる。
論文 参考訳（メタデータ） (2024-10-04T21:39:30Z) - Heterogeneous Subgraph Network with Prompt Learning for Interpretable Depression Detection on Social Media [5.570905441172371]
ソーシャルメディアにおける早期うつ病検出に関する既存の研究は、解釈可能性に欠けていた。
本稿では,プロンプト学習を用いた異種サブグラフネットワークを利用した新しい手法を提案する。
提案手法はソーシャルメディア上での抑うつ検出の最先端手法を著しく上回っている。
論文 参考訳（メタデータ） (2024-07-12T06:20:59Z) - Voice-Based Conversational Agents and Knowledge Graphs for Improving
News Search in Assisted Living [4.492444446637856]
生活支援のための知識グラフと会話エージェントを組み合わせた革新的なソリューションを提案する。
グラフデータベースを利用してセマンティックなニュースデータを構築することで、ケア依存者が関連するニュースを簡単に発見し、パーソナライズされたレコメンデーションを提供するのに役立つ。
論文 参考訳（メタデータ） (2023-03-24T21:49:27Z) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。
DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
論文 参考訳（メタデータ） (2022-08-01T18:47:03Z) - Federated Semi-supervised Medical Image Classification via Inter-client
Relation Matching [58.26619456972598]
フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。
本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。
本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
論文 参考訳（メタデータ） (2021-06-16T07:58:00Z) - Case Study on Detecting COVID-19 Health-Related Misinformation in Social
Media [7.194177427819438]
本稿では、ソーシャルメディアにおける新型コロナウイルスの健康関連誤報を検出するメカニズムについて述べる。
応用機械学習技術を用いて誤情報検出機構に組み込まれた誤情報テーマと関連キーワードを定義した。
本手法は,健康関連誤報と真情報との分類において,少なくとも78%の精度で有望な結果を示す。
論文 参考訳（メタデータ） (2021-06-12T16:26:04Z) - Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue
Generation [150.52617238140868]
ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。
また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
論文 参考訳（メタデータ） (2020-12-22T13:20:23Z) - 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) - 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) - Mining Disinformation and Fake News: Concepts, Methods, and Recent
Advancements [55.33496599723126]
偽ニュースを含む偽ニュースは 爆発的な成長により グローバルな現象になっています
偽情報や偽ニュースを検知する最近の進歩にもかかわらず、その複雑さ、多様性、多様性、事実チェックやアノテーションのコストが原因で、いまだに自明ではない。
論文 参考訳（メタデータ） (2020-01-02T21:01:02Z)
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。