論文の概要: They Look Like Each Other: Case-based Reasoning for Explainable Depression Detection on Twitter using Large Language Models

• arxiv url: http://arxiv.org/abs/2407.21041v1
• Date: Sun, 21 Jul 2024 20:13:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-04 19:28:03.131360
• Title: They Look Like Each Other: Case-based Reasoning for Explainable Depression Detection on Twitter using Large Language Models
• Title（参考訳）: 互いに似ている:大規模言語モデルを用いたTwitter上の説明可能な抑うつ検出のためのケースベース推論
• Authors: Mohammad Saeid Mahdavinejad, Peyman Adibi, Amirhassan Monadjemi, Pascal Hitzler,
• Abstract要約: ProtoDepはTwitterベースの抑うつ検出のための新しい説明可能なフレームワークである。 ProtoDepは、(i)ツイートとユーザ毎の症状レベルの説明、(ii)ユーザと類似した個人を比較したケースベースの説明、(iii)分類重みによる透明な意思決定の3つのレベルで透明な説明を提供する。
• 参考スコア（独自算出の注目度）: 3.5904920375592098
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Depression is a common mental health issue that requires prompt diagnosis and treatment. Despite the promise of social media data for depression detection, the opacity of employed deep learning models hinders interpretability and raises bias concerns. We address this challenge by introducing ProtoDep, a novel, explainable framework for Twitter-based depression detection. ProtoDep leverages prototype learning and the generative power of Large Language Models to provide transparent explanations at three levels: (i) symptom-level explanations for each tweet and user, (ii) case-based explanations comparing the user to similar individuals, and (iii) transparent decision-making through classification weights. Evaluated on five benchmark datasets, ProtoDep achieves near state-of-the-art performance while learning meaningful prototypes. This multi-faceted approach offers significant potential to enhance the reliability and transparency of depression detection on social media, ultimately aiding mental health professionals in delivering more informed care.
• Abstract（参考訳）: うつ病は、迅速な診断と治療を必要とする一般的な精神疾患である。 ソーシャルメディアデータによる抑うつ検出の約束にもかかわらず、採用されたディープラーニングモデルの不透明さは、解釈可能性を妨げるとともに、バイアスの懸念を引き起こす。 この課題に対処するため、Twitterベースの抑うつ検出のための新しい説明可能なフレームワークであるProtoDepを紹介した。 ProtoDepは,3つのレベルで透明な説明を提供するために,プロトタイプ学習と大規模言語モデルの生成能力を活用する。 (i)各ツイートとユーザに対する症状レベルの説明。 二 利用者を類似した個人と比較する事例に基づく説明 三 分類重量による透明な意思決定 ProtoDepは5つのベンチマークデータセットに基づいて、最先端のパフォーマンスを達成し、有意義なプロトタイプを学習する。 この多面的アプローチは、ソーシャルメディアにおけるうつ病検出の信頼性と透明性を高める大きな可能性を秘めており、最終的にはメンタルヘルスの専門家がより知的なケアを提供するのに役立つ。

関連論文リスト

• MentalArena: Self-play Training of Language Models for Diagnosis and Treatment of Mental Health Disorders [59.515827458631975]
  メンタルヘルス障害は世界で最も深刻な病気の1つである。 プライバシーに関する懸念は、パーソナライズされた治療データのアクセシビリティを制限する。 MentalArenaは、言語モデルをトレーニングするためのセルフプレイフレームワークである。
  論文  参考訳（メタデータ） (2024-10-09T13:06:40Z)
• Detecting mental disorder on social media: a ChatGPT-augmented explainable approach [1.7999333451993955]
  デジタル時代には、ソーシャルメディア上で表現されるうつ病症状の流行が深刻な懸念を抱いている。 本稿では,Large Language Models(LLM)とeXplainable Artificial Intelligence(XAI)とChatGPTのような対話エージェントを効果的に組み合わせた新しい手法を提案する。 説明は、Twitter固有のBERTの変種であるBERTweetを、新しい自己説明モデル、BERT-XDDに統合することで達成される。 ChatGPTを使用して解釈可能性をさらに強化し、技術的説明を人間可読な注釈に変換する。
  論文  参考訳（メタデータ） (2024-01-30T22:22:55Z)
• Explainable Depression Symptom Detection in Social Media [2.677715367737641]
  本稿では, トランスフォーマーアーキテクチャを用いて, ユーザの文章中の抑うつ症状マーカーの出現を検知し, 説明する。 我々の自然言語による説明により、臨床医はバリデーションされた症状に基づいてモデルの判断を解釈できる。
  論文  参考訳（メタデータ） (2023-10-20T17:05:27Z)
• Empowering Psychotherapy with Large Language Models: Cognitive Distortion Detection through Diagnosis of Thought Prompting [82.64015366154884]
  本研究では,認知的歪み検出の課題について検討し,思考の早期発見(DoT)を提案する。 DoTは、事実と思考を分離するための主観的評価、思考と矛盾する推論プロセスを引き出すための対照的な推論、認知スキーマを要約するスキーマ分析という3つの段階を通して、患者のスピーチの診断を行う。 実験により、DoTは認知的歪み検出のためのChatGPTよりも大幅に改善され、一方で人間の専門家が承認した高品質な合理性を生成することが示された。
  論文  参考訳（メタデータ） (2023-10-11T02:47:21Z)
• Dynamic Graph Representation Learning for Depression Screening with Transformer [13.551342607089184]
  ソーシャルメディアプラットフォームは、メンタルヘルスを調査し、精神疾患の事例を検出する研究機会を提供する。 既存の抑うつ検出手法は,特徴工学への依存と時間的要因の考慮の欠如により制約される。 提案するContrastEgoは,各ユーザを動的時間進化型属性グラフ(ego-network)として扱う。 ContrastEgoは、様々な実験環境におけるすべての有効性指標において、最先端の手法を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2023-05-10T20:34:40Z)
• Depression detection in social media posts using affective and social norm features [84.12658971655253]
  ソーシャルメディア投稿からの抑うつ検出のための奥深いアーキテクチャを提案する。 我々は、後期融合方式を用いて、ポストとワードの敬称と道徳的特徴をアーキテクチャに組み込んだ。 提案された機能を含めると、両方の設定で最先端の結果が得られます。
  論文  参考訳（メタデータ） (2023-03-24T21:26:27Z)
• 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)
• Hierarchical Attention Network for Explainable Depression Detection on Twitter Aided by Metaphor Concept Mappings [15.19024278125422]
  本稿では,Twitter上での抑うつ検出のための新しい説明可能なモデルを提案する。 階層的な注意機構とフィードフォワードニューラルネットワークを組み合わせた,新しいエンコーダを備える。 抑うつされた個人を検知するだけでなく、そのようなユーザーのつぶやきの特徴と関連するメタファの概念マッピングを識別する。
  論文  参考訳（メタデータ） (2022-09-15T17:36:18Z)
• 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 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)

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。