論文の概要: Enhancing Suicide Risk Detection on Social Media through Semi-Supervised Deep Label Smoothing
- arxiv url: http://arxiv.org/abs/2405.05795v1
- Date: Thu, 9 May 2024 14:25:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-10 13:13:05.347016
- Title: Enhancing Suicide Risk Detection on Social Media through Semi-Supervised Deep Label Smoothing
- Title(参考訳): 半監督型ディープラベル平滑化によるソーシャルメディア上での自殺リスク検出の促進
- Authors: Matthew Squires, Xiaohui Tao, Soman Elangovan, U Rajendra Acharya, Raj Gururajan, Haoran Xie, Xujuan Zhou,
- Abstract要約: 支援を受ける人への障壁には、社会的汚職やメンタルヘルスへのアクセスの欠如がある。
ソーシャルメディアの人気が高まり、人々はRedditなどのオンラインフォーラムで自分の感情を表現し、支援を求めるようになった。
ソーシャルメディアの投稿は、テキストの分類を用いて分類することができ、専門家の助けを借りて人々を結びつけるのに役立つ。
これらのシステムは、精神状態の分類において固有の不確実性を考慮していない。
- 参考スコア(独自算出の注目度): 15.1082838217225
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Suicide is a prominent issue in society. Unfortunately, many people at risk for suicide do not receive the support required. Barriers to people receiving support include social stigma and lack of access to mental health care. With the popularity of social media, people have turned to online forums, such as Reddit to express their feelings and seek support. This provides the opportunity to support people with the aid of artificial intelligence. Social media posts can be classified, using text classification, to help connect people with professional help. However, these systems fail to account for the inherent uncertainty in classifying mental health conditions. Unlike other areas of healthcare, mental health conditions have no objective measurements of disease often relying on expert opinion. Thus when formulating deep learning problems involving mental health, using hard, binary labels does not accurately represent the true nature of the data. In these settings, where human experts may disagree, fuzzy or soft labels may be more appropriate. The current work introduces a novel label smoothing method which we use to capture any uncertainty within the data. We test our approach on a five-label multi-class classification problem. We show, our semi-supervised deep label smoothing method improves classification accuracy above the existing state of the art. Where existing research reports an accuracy of 43\% on the Reddit C-SSRS dataset, using empirical experiments to evaluate our novel label smoothing method, we improve upon this existing benchmark to 52\%. These improvements in model performance have the potential to better support those experiencing mental distress. Future work should explore the use of probabilistic methods in both natural language processing and quantifying contributions of both epistemic and aleatoric uncertainty in noisy datasets.
- Abstract(参考訳): 自殺は社会において重要な問題である。
残念なことに、自殺のリスクがある人の多くは、必要な支援を受けていない。
支援を受ける人への障壁には、社会的汚職やメンタルヘルスへのアクセスの欠如がある。
ソーシャルメディアの人気が高まり、人々はRedditなどのオンラインフォーラムで自分の感情を表現し、支援を求めるようになった。
これは、人工知能の助けを借りて人々を支援する機会を提供する。
ソーシャルメディアの投稿は、テキストの分類を用いて分類することができ、専門家の助けを借りて人々を結びつけるのに役立つ。
しかし、これらのシステムは精神状態の分類において固有の不確実性を考慮していない。
他の医療分野とは異なり、精神的な健康状態は、しばしば専門家の意見に依存する病気の客観的な測定を持たない。
したがって、メンタルヘルスに関わるディープラーニングの問題を定式化する際、ハードなバイナリラベルはデータの真の性質を正確に表現するものではない。
これらの設定では、人間の専門家が反対するかもしれないが、ファジィやソフトなラベルの方が適切かもしれない。
現在の研究は、データ内の不確実性を捉えるために使われる新しいラベル平滑化手法を導入している。
我々は,5ラベルの多クラス分類問題に対するアプローチを検証した。
半教師付きディープラベル平滑化法により,既存の最先端技術よりも分類精度が向上することを示す。
既存の研究では、Reddit C-SSRSデータセットで43倍の精度を報告し、実験により新しいラベルの平滑化手法の評価を行った結果、既存のベンチマークでは52倍に改善した。
これらのモデルパフォーマンスの改善は、精神的な苦痛を経験する人々を支援する可能性がある。
今後の研究は、自然言語処理における確率的手法の使用と、ノイズのあるデータセットにおける疫学的およびアレタリックな不確実性の貢献の定量化を検討すべきである。
関連論文リスト
- Conceptualizing Suicidal Behavior: Utilizing Explanations of Predicted
Outcomes to Analyze Longitudinal Social Media Data [2.76101452577748]
新型コロナウイルスのパンデミックは世界中でメンタルヘルスの危機をエスカレートしている。
自殺は、恥、虐待、放棄、うつ病のような精神状態などの社会的要因によって引き起こされる。
これらの状況が発展するにつれて、自殺的思考の兆候がソーシャルメディアの相互作用に現れる可能性がある。
論文 参考訳(メタデータ) (2023-12-13T17:15:12Z) - 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) - Adapting to Online Label Shift with Provable Guarantees [137.89382409682233]
オンラインラベルシフトの問題を定式化し,検討する。
非定常性と監督の欠如は、この問題に取り組むことを困難にしている。
我々のアルゴリズムは最適な動的後悔を享受しており、性能が透かしの性質と競合していることを示している。
論文 参考訳(メタデータ) (2022-07-05T15:43:14Z) - Mental Illness Classification on Social Media Texts using Deep Learning
and Transfer Learning [55.653944436488786]
世界保健機関(WHO)によると、約4億5000万人が影響を受ける。
うつ病、不安症、双極性障害、ADHD、PTSDなどの精神疾患。
本研究では、Redditプラットフォーム上の非構造化ユーザデータを分析し、うつ病、不安、双極性障害、ADHD、PTSDの5つの一般的な精神疾患を分類する。
論文 参考訳(メタデータ) (2022-07-03T11:33:52Z) - Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive
Person Re-Identification [54.174146346387204]
ドメイン適応型人物再識別のための確率的不確実性誘導プログレッシブラベル精錬(P$2$LR)という手法を提案する。
擬似ラベルの不確実性を測定し、ネットワークトレーニングを容易にする定量的基準を確立する。
本手法はDuke2Marketタスクではベースラインが6.5%,Market2MSMTタスクでは2.5%,最先端手法では2.5%を上回った。
論文 参考訳(メタデータ) (2021-12-28T07:40:12Z) - 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) - Learning Language and Multimodal Privacy-Preserving Markers of Mood from
Mobile Data [74.60507696087966]
精神状態は、先進医療に共通する国でも診断されていない。
人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。
本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
論文 参考訳(メタデータ) (2021-06-24T17:46:03Z) - Deep Learning for Suicide and Depression Identification with
Unsupervised Label Correction [0.0]
うつ病患者の自殺思考の早期発見は、適切な医療的注意と支援を可能にする。
最近のNLP研究は、個人が自殺的または臨床的に健康である場合、あるテキストから分類することに焦点を当てている。
本研究では,深層学習による自殺対分類手法であるSDCNLを提案する。
論文 参考訳(メタデータ) (2021-02-18T15:40:07Z) - Detection and Classification of mental illnesses on social media using
RoBERTa [0.3753841394482697]
本研究では,うつ病,不安,双極性障害,ADHD,PTSDの5種類の精神疾患を検出し,分類する。
われわれの研究は、RoBERTaのようなTransformerベースのアーキテクチャを使って人々の感情や心理学を分析する最初のマルチクラスモデルであると信じている。
論文 参考訳(メタデータ) (2020-11-23T05:54:46Z) - 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) - Towards Preemptive Detection of Depression and Anxiety in Twitter [14.877991297466174]
うつ病と不安は、日常生活の多くの領域で観察される精神疾患である。
我々は、Twitterにおけるうつ病と不安検出の研究を促進するために設計されたデータセットを開発した。
論文 参考訳(メタデータ) (2020-11-10T17:17:23Z)
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。