論文の概要: Leveraging LLMs to Predict Affective States via Smartphone Sensor Features
- arxiv url: http://arxiv.org/abs/2407.08240v1
- Date: Thu, 11 Jul 2024 07:37:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-12 18:39:04.594026
- Title: Leveraging LLMs to Predict Affective States via Smartphone Sensor Features
- Title（参考訳）: LLMを用いたスマートフォンセンサ機能による影響状態予測
- Authors: Tianyi Zhang, Songyan Teng, Hong Jia, Simon D'Alfonso,
- Abstract要約: デジタル表現型は、行動やメンタルヘルスを推測するために、パーソナルデジタルデバイスからデータを収集して分析する。
大型言語モデル(LLM)の出現は、スマートフォンのセンシングデータを理解するための新しいアプローチを提供する。
本研究は, 大学生のスマートフォンセンシングデータに基づいて, LLMを用いて影響を予測し, このギャップを埋めることを目的とする。
- 参考スコア（独自算出の注目度）: 6.1930355276269875
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As mental health issues for young adults present a pressing public health concern, daily digital mood monitoring for early detection has become an important prospect. An active research area, digital phenotyping, involves collecting and analysing data from personal digital devices such as smartphones (usage and sensors) and wearables to infer behaviours and mental health. Whilst this data is standardly analysed using statistical and machine learning approaches, the emergence of large language models (LLMs) offers a new approach to make sense of smartphone sensing data. Despite their effectiveness across various domains, LLMs remain relatively unexplored in digital mental health, particularly in integrating mobile sensor data. Our study aims to bridge this gap by employing LLMs to predict affect outcomes based on smartphone sensing data from university students. We demonstrate the efficacy of zero-shot and few-shot embedding LLMs in inferring general wellbeing. Our findings reveal that LLMs can make promising predictions of affect measures using solely smartphone sensing data. This research sheds light on the potential of LLMs for affective state prediction, emphasizing the intricate link between smartphone behavioral patterns and affective states. To our knowledge, this is the first work to leverage LLMs for affective state prediction and digital phenotyping tasks.
- Abstract（参考訳）: 若者のメンタルヘルス問題は公衆衛生の懸念が高まる中、早期発見のための日々のデジタルムードモニタリングが重要視されている。
アクティブな研究領域であるデジタル表現型は、行動やメンタルヘルスを推測するために、スマートフォン(使用やセンサー)やウェアラブルなどのパーソナルデジタルデバイスからデータを収集して分析する。
このデータは統計的および機械学習のアプローチで標準的な分析がなされているが、大きな言語モデル(LLM)の出現は、スマートフォンのセンシングデータを理解するための新しいアプローチを提供する。
様々な領域にまたがる効果にもかかわらず、LSMはデジタルメンタルヘルス、特にモバイルセンサーデータの統合において比較的研究されていない。
本研究は, 大学生のスマートフォンセンシングデータに基づいて, LLMを用いて影響を予測し, このギャップを埋めることを目的とする。
一般幸福度推定におけるゼロショットおよび少数ショット埋め込みLDMの有効性を実証した。
以上の結果から,LLMはスマートフォンのセンサデータのみを用いて,影響度を予測できる可能性が示唆された。
本研究は, スマートフォンの行動パターンと感情状態との複雑な関係を強調し, 感情状態予測のためのLLMの可能性に光を当てるものである。
我々の知る限り、LLMを情緒的状態予測やデジタル表現型タスクに活用する最初の試みである。
関連論文リスト
- Persuasion with Large Language Models: a Survey [49.86930318312291]
大規模言語モデル (LLM) は説得力のあるコミュニケーションに新たな破壊的可能性を生み出している。
政治、マーケティング、公衆衛生、電子商取引、慈善事業などの分野では、LLMシステムズは既に人間レベルや超人的説得力を達成している。
LLMをベースとした説得の現在と将来の可能性は、倫理的・社会的リスクを著しく引き起こす可能性が示唆された。
論文 参考訳（メタデータ） (2024-11-11T10:05:52Z) - AWARE Narrator and the Utilization of Large Language Models to Extract Behavioral Insights from Smartphone Sensing Data [6.110013784860154]
スマートフォンは健康関連行動や状況の追跡を促進し、デジタル表現に大きく貢献する。
本稿では,スマートフォンから収集したデータを構造化した時系列物語に体系的に変換する手法を提案する。
この枠組みを1週間にわたって大学生の収集したデータに適用し,個々の行動の要約に物語を活用する可能性を実証した。
論文 参考訳（メタデータ） (2024-11-07T13:23:57Z) - On-device Federated Learning in Smartphones for Detecting Depression from Reddit Posts [0.0]
ソーシャルメディアの投稿は個人の精神状態に関する貴重な情報を提供している。
本研究では,スマートフォン上での分散学習を容易にするために,フェデレートラーニング(FL)を採用した。
トレーニングプロセスを最適化するために、すべてのクライアントデバイスで共通のトークン化ツールを活用します。
論文 参考訳（メタデータ） (2024-10-17T16:09:32Z) - Scaling Wearable Foundation Models [54.93979158708164]
センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。
最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。
この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
論文 参考訳（メタデータ） (2024-10-17T15:08:21Z) - Loneliness Forecasting Using Multi-modal Wearable and Mobile Sensing in Everyday Settings [1.7253972752874662]
本研究では、スマートリングや時計などのウェアラブルデバイスを用いて、孤独の初期の生理的指標を監視する。
スマートフォンは初期の孤独の兆候を 捉えるために使われています
パーソナライズされたモデルの開発を通じて、7日間の孤独度予測において、顕著な精度 0.82 と F-1 スコア 0.82 を達成した。
論文 参考訳（メタデータ） (2024-09-15T18:33:02Z) - Predicting Affective States from Screen Text Sentiment [11.375704805270171]
スマートフォンで見るテキストコンテンツを分析して感情状態を予測する可能性については、まだ解明されていない。
画面テキストと感情状態の関係を解析するために,線形回帰,ゼロショット,マルチショットを用いた。
以上の結果から,マルチショットプロンプトは線形回帰とゼロショットプロンプトの両方で著しく優れていた。
論文 参考訳（メタデータ） (2024-08-23T05:25:11Z) - A Survey on Detection of LLMs-Generated Content [97.87912800179531]
LLMの生成する内容を検出する能力が最重要視されている。
既存の検出戦略とベンチマークの詳細な概要を提供する。
また、様々な攻撃から守るための多面的アプローチの必要性を示唆する。
論文 参考訳（メタデータ） (2023-10-24T09:10:26Z) - Redefining Digital Health Interfaces with Large Language Models [69.02059202720073]
大規模言語モデル(LLM)は、複雑な情報を処理できる汎用モデルとして登場した。
LLMが臨床医とデジタル技術との新たなインターフェースを提供する方法を示す。
自動機械学習を用いた新しい予後ツールを開発した。
論文 参考訳（メタデータ） (2023-10-05T14:18:40Z) - Objective Prediction of Tomorrow's Affect Using Multi-Modal
Physiological Data and Personal Chronicles: A Study of Monitoring College
Student Well-being in 2020 [0.0]
本研究の目的は、複数の商用機器を用いて、完全自動的かつ客観的なアプローチにより、影響をより正確に予測する能力を検討することである。
1年以上にわたり、スマートウェアラブルと携帯電話を使用した大学生のサンプルから、縦断的生理データと毎日の感情評価を収集した。
その結果,本モデルでは,技術手法に匹敵する精度で,翌日への影響を予測することができた。
論文 参考訳（メタデータ） (2022-01-26T23:06:20Z) - 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) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z)
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。