論文の概要: Short-Form Videos and Mental Health: A Knowledge-Guided Neural Topic Model
- arxiv url: http://arxiv.org/abs/2402.10045v4
- Date: Sat, 12 Oct 2024 21:47:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-15 15:03:59.367230
- Title: Short-Form Videos and Mental Health: A Knowledge-Guided Neural Topic Model
- Title（参考訳）: 短期ビデオとメンタルヘルス:知識指導型ニューラルトピックモデル
- Authors: Jiaheng Xie, Ruicheng Liang, Yidong Chai, Yang Liu, Daniel Zeng,
- Abstract要約: 我々は、短いビデオの自殺思考が視聴者に与える影響を予測するための知識ガイド型NTMを開発した。
また,自殺思考に関係のある動画から,医学的な話題も発見する。
提案手法は,ビデオの自殺的思考の影響をプラットフォームが理解し,コミュニティガイドラインに違反したビデオのモデレーションを支援する。
- 参考スコア（独自算出の注目度）: 7.327234765760251
- License:
- Abstract: Along with the rise of short-form videos, their mental impacts on viewers have led to widespread consequences, prompting platforms to predict videos' impact on viewers' mental health. Subsequently, they can take intervention measures according to their community guidelines. Nevertheless, applicable predictive methods lack relevance to well-established medical knowledge, which outlines clinically proven external and environmental factors of mental disorders. To account for such medical knowledge, we resort to an emergent methodological discipline, seeded Neural Topic Models (NTMs). However, existing seeded NTMs suffer from the limitations of single-origin topics, unknown topic sources, unclear seed supervision, and suboptimal convergence. To address those challenges, we develop a novel Knowledge-Guided NTM to predict a short-form video's suicidal thought impact on viewers. Extensive empirical analyses using TikTok and Douyin datasets prove that our method outperforms state-of-the-art benchmarks. Our method also discovers medically relevant topics from videos that are linked to suicidal thought impact. We contribute to IS with a novel video analytics method that is generalizable to other video classification problems. Practically, our method can help platforms understand videos' suicidal thought impacts, thus moderating videos that violate their community guidelines.
- Abstract（参考訳）: ショートフォームビデオの興隆とともに、彼らのメンタルな影響が視聴者に広まり、プラットフォームは視聴者のメンタルヘルスにビデオが与える影響を予測するようになった。
その後、コミュニティガイドラインに従って介入措置を講ずることができる。
それにもかかわらず、適用可能な予測手法は、精神疾患の臨床的に証明された外的および環境的要因を概説する、確立された医療知識との関連性に欠ける。
このような医学的知識を考慮し,NTM(シード型ニューラルトピックモデル)を創発的方法論として活用する。
しかし、既存のシードNTMは、シングルオリジンのトピック、未知のトピックソース、不明瞭なシード管理、最適以下の収束の制限に悩まされている。
これらの課題に対処するため、我々は、短いビデオの自殺思考が視聴者に与える影響を予測するための新しい知識誘導NTMを開発した。
TikTokとDouyinのデータセットを用いた大規模な実験分析により、我々の手法が最先端のベンチマークより優れていることが証明された。
また,自殺思考に関係のある動画から,医学的な話題も発見する。
我々は、他のビデオ分類問題に対して一般化可能な、新しいビデオ分析手法でISに貢献する。
提案手法は,ビデオの自殺的思考の影響をプラットフォームが理解し,コミュニティガイドラインに違反した動画をモデレートするのに役立つ。
関連論文リスト
- Supporters and Skeptics: LLM-based Analysis of Engagement with Mental Health (Mis)Information Content on Video-sharing Platforms [19.510446994785667]
米国では5人に1人が精神疾患で暮らしている。
ショートフォームビデオコンテンツは、メンタルヘルスとリソースを広めるための重要なコンジットとして機能するように成長してきた。
論文 参考訳（メタデータ） (2024-07-02T20:51:06Z) - Survey on Adversarial Attack and Defense for Medical Image Analysis: Methods and Challenges [64.63744409431001]
医療画像解析における敵攻撃・防衛の進歩に関する総合的な調査を報告する。
公正な比較のために、逆向きに堅牢な診断モデルのための新しいベンチマークを構築した。
論文 参考訳（メタデータ） (2023-03-24T16:38:58Z) - Predicting mental health using social media: A roadmap for future
development [0.0]
うつ病や自殺などの精神障害は、世界中で3億人以上の人々に影響を及ぼす。
ソーシャルメディア上では、精神障害の症状が観察され、自動化されたアプローチがそれらを検出する能力が高まっている。
この研究は、精神状態検出を機械学習技術に基づいて行うことができる分析のロードマップを提供する。
論文 参考訳（メタデータ） (2023-01-25T08:08:29Z) - 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) - How Would The Viewer Feel? Estimating Wellbeing From Video Scenarios [73.24092762346095]
情緒応答と主観的幸福感に注釈を付けた6万本以上のビデオを備えた大規模データセットを2つ導入した。
Video Cognitive Empathyデータセットには、微粒な感情応答の分布のためのアノテーションが含まれており、モデルが感情状態の詳細な理解を得ることができる。
Video to Valenceデータセットには、ビデオ間の相対的な快適性のアノテーションが含まれている。
論文 参考訳（メタデータ） (2022-10-18T17:58:25Z) - An ensemble deep learning technique for detecting suicidal ideation from
posts in social media platforms [0.0]
本稿ではLSTM-Attention-CNN複合モデルを提案する。
提案されたモデルは90.3%の精度、F1スコア92.6%の精度を示した。
論文 参考訳（メタデータ） (2021-12-17T15:34:03Z) - Micromodels for Efficient, Explainable, and Reusable Systems: A Case
Study on Mental Health [31.704264985749514]
多くの統計モデルは、テストベンチマークで高い精度を持つが、説明できない、低リソースのシナリオで苦労し、ドメインの専門知識を容易に統合できない。
これらの課題に対処するためのマイクロモデルアーキテクチャを導入します。
我々のアプローチは、研究者がドメイン知識を埋め込んだ解釈可能な表現を構築し、モデルの意思決定プロセス全体を通して説明を提供することを可能にする。
論文 参考訳（メタデータ） (2021-09-28T14:45:59Z) - ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。
Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。
純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
論文 参考訳（メタデータ） (2021-03-26T02:42:38Z) - Understanding Health Misinformation Transmission: An Interpretable Deep
Learning Approach to Manage Infodemics [6.08461198240039]
本研究では,新しい解釈可能な深層学習手法であるGenerative Adversarial NetworkベースのPiecewise Wide and Attention Deep Learning (GAN-PiWAD)を提案する。
社会交換理論に則った特徴を選択し、4,445本の誤報動画でGAN-PiWADを評価します。
本研究は,ソーシャルメディアプラットフォームや政策立案者に対して,誤情報を識別し,伝達を制御し,インフォデミクスを管理するための積極的な介入をデザインする直接的意義を与える。
論文 参考訳（メタデータ） (2020-12-21T15:49:19Z) - Proactive Pseudo-Intervention: Causally Informed Contrastive Learning
For Interpretable Vision Models [103.64435911083432]
PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。
PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。
また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
論文 参考訳（メタデータ） (2020-12-06T20:30:26Z) - 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。