論文の概要: EmoScan: Automatic Screening of Depression Symptoms in Romanized Sinhala Tweets
- arxiv url: http://arxiv.org/abs/2403.19728v1
- Date: Thu, 28 Mar 2024 10:31:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-01 17:33:35.729693
- Title: EmoScan: Automatic Screening of Depression Symptoms in Romanized Sinhala Tweets
- Title（参考訳）: EmoScan: ローマ化シンハラツイートにおける抑うつ症状の自動スクリーニング
- Authors: Jayathi Hewapathirana, Deshan Sumanathilaka,
- Abstract要約: この研究は、抑うつのリスクがある個人を特定するために、ロマタイズド・シンハラのソーシャルメディアデータの利用を探求する。
言語パターン、感情、行動の手がかりを分析することにより、抑うつ症状の自動スクリーニングのための機械学習ベースのフレームワークが提示される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work explores the utilization of Romanized Sinhala social media data to identify individuals at risk of depression. A machine learning-based framework is presented for the automatic screening of depression symptoms by analyzing language patterns, sentiment, and behavioural cues within a comprehensive dataset of social media posts. The research has been carried out to compare the suitability of Neural Networks over the classical machine learning techniques. The proposed Neural Network with an attention layer which is capable of handling long sequence data, attains a remarkable accuracy of 93.25% in detecting depression symptoms, surpassing current state-of-the-art methods. These findings underscore the efficacy of this approach in pinpointing individuals in need of proactive interventions and support. Mental health professionals, policymakers, and social media companies can gain valuable insights through the proposed model. Leveraging natural language processing techniques and machine learning algorithms, this work offers a promising pathway for mental health screening in the digital era. By harnessing the potential of social media data, the framework introduces a proactive method for recognizing and assisting individuals at risk of depression. In conclusion, this research contributes to the advancement of proactive interventions and support systems for mental health, thereby influencing both research and practical applications in the field.
- Abstract（参考訳）: この研究は、抑うつのリスクがある個人を特定するために、ロマタイズド・シンハラのソーシャルメディアデータの利用を探求する。
ソーシャルメディア投稿の包括的なデータセット内の言語パターン、感情、行動の手がかりを分析することにより、うつ病症状の自動スクリーニングのための機械学習ベースのフレームワークが提示される。
従来の機械学習技術と比較してニューラルネットワークの適合性を比較するために,本研究が実施されている。
長周期データを処理可能な注目層を有するニューラルネットワークは、現在の最先端手法を超越した、うつ病症状の検出において、93.25%の顕著な精度を達成している。
これらの知見は、積極的な介入と支援を必要とする個人をピンポイントするこのアプローチの有効性を裏付けるものである。
メンタルヘルスの専門家、政策立案者、ソーシャルメディア企業は、提案されたモデルを通じて貴重な洞察を得ることができる。
自然言語処理技術と機械学習アルゴリズムを活用して、この研究はデジタル時代のメンタルヘルススクリーニングに有望な経路を提供する。
このフレームワークは、ソーシャルメディアデータの可能性を活用することで、うつ病のリスクがある個人を認識し、支援するための積極的な方法を導入する。
結論として, 本研究は, 積極的介入とメンタルヘルス支援の進展に寄与し, この分野における研究と実践の両方に影響を及ぼす。
関連論文リスト
- Tutorial on Using Machine Learning and Deep Learning Models for Mental Illness Detection [0.036136619420474754]
本チュートリアルは、ソーシャルメディア上でのメンタルヘルス検出に機械学習およびディープラーニング手法を適用する際の共通の課題に対処するためのガイダンスを提供する。
実世界の例とステップバイステップの指示は、これらのテクニックを効果的に適用する方法を実証する。
これらのアプローチを共有することで、このチュートリアルは、研究者がより信頼性が高く、広く適用可能なメンタルヘルス研究モデルを構築するのを助けることを目的としている。
論文 参考訳（メタデータ） (2025-02-03T06:43:12Z) - Towards Privacy-aware Mental Health AI Models: Advances, Challenges, and Opportunities [61.633126163190724]
精神病は、社会的、個人的コストがかなり高い広範囲で不安定な状態である。
近年の人工知能(AI)の進歩は、うつ病、不安障害、双極性障害、統合失調症、外傷後ストレス障害などの病態を認識し、対処するための大きな可能性を秘めている。
データセットやトレーニング済みモデルからの機密データ漏洩のリスクを含むプライバシー上の懸念は、これらのAIシステムを実際の臨床環境にデプロイする上で、依然として重要な障壁である。
論文 参考訳（メタデータ） (2025-02-01T15:10:02Z) - 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) - Harnessing the Power of Hugging Face Transformers for Predicting Mental
Health Disorders in Social Networks [0.0]
本研究では、ユーザ生成データを用いて精神疾患の症状を予測する方法について検討する。
本研究は,Hugging Faceの4種類のBERTモデルと標準的な機械学習技術を比較した。
新しいモデルは、最大97%の精度で以前のアプローチより優れている。
論文 参考訳（メタデータ） (2023-06-29T12:25:19Z) - DEPAC: a Corpus for Depression and Anxiety Detection from Speech [3.2154432166999465]
本稿では、うつ病と不安スクリーニングツールの確立したしきい値に基づいてラベル付けされた、心的苦痛分析オーディオデータセットDEPACを紹介する。
この大きなデータセットは、個人ごとの複数の音声タスクと、関連する人口統計情報から構成される。
人間の音声における精神疾患の徴候の同定に有効な,手作業による音響的特徴と言語的特徴からなる特徴セットを提案する。
論文 参考訳（メタデータ） (2023-06-20T12:21:06Z) - 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) - 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) - The world seems different in a social context: a neural network analysis
of human experimental data [57.729312306803955]
本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。
トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
論文 参考訳（メタデータ） (2022-03-03T17:19:12Z) - 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) - Continuous Emotion Recognition via Deep Convolutional Autoencoder and
Support Vector Regressor [70.2226417364135]
マシンはユーザの感情状態を高い精度で認識できることが不可欠である。
ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。
表情認識に基づく連続的感情認識のための新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-01-31T17:47:16Z)
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。