論文の概要: Advancing Depression Detection on Social Media Platforms Through Fine-Tuned Large Language Models

• arxiv url: http://arxiv.org/abs/2409.14794v1
• Date: Mon, 23 Sep 2024 08:18:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 21:01:15.781624
• Title: Advancing Depression Detection on Social Media Platforms Through Fine-Tuned Large Language Models
• Title（参考訳）: 微調整大言語モデルによるソーシャルメディアプラットフォームにおける抑うつ検出の促進
• Authors: Shahid Munir Shah, Syeda Anshrah Gillani, Mirza Samad Ahmed Baig, Muhammad Aamer Saleem, Muhammad Hamzah Siddiqui,
• Abstract要約: 本研究では,利用者のソーシャルメディアデータからの抑うつ検出にLarge Language Models (LLMs) を用いることを検討した。 微調整された GPT 3.5 Turbo 1106 と LLaMA2-7B モデルを使用することで、ソーシャルメディア投稿中の落ち込んだコンテンツを96.0パーセントの精度で識別することができた。
• 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 study investigates the use of Large Language Models (LLMs) for improved depression detection from users social media data. Through the use of fine-tuned GPT 3.5 Turbo 1106 and LLaMA2-7B models and a sizable dataset from earlier studies, we were able to identify depressed content in social media posts with a high accuracy of nearly 96.0 percent. The comparative analysis of the obtained results with the relevant studies in the literature shows that the proposed fine-tuned LLMs achieved enhanced performance compared to existing state of the-art systems. This demonstrates the robustness of LLM-based fine-tuned systems to be used as potential depression detection systems. The study describes the approach in depth, including the parameters used and the fine-tuning procedure, and it addresses the important implications of our results for the early diagnosis of depression on several social media platforms.
• Abstract（参考訳）: 本研究では,利用者のソーシャルメディアデータからの抑うつ検出にLarge Language Models (LLMs) を用いることを検討した。 GPT 3.5 Turbo 1106 と LLaMA2-7B モデルと、以前の研究で得られた膨大なデータセットを用いて、ソーシャルメディア投稿中の落ち込んだコンテンツを96.0 % の精度で識別することができた。 得られた結果と文献における関連研究との比較分析により,提案した微調整LDMは,既存の最先端システムと比較して性能が向上したことが示された。 これはLLMに基づく微調整システムの堅牢性を示し、潜在的なうつ病検出システムとして使用される。 本研究は、使用したパラメータと微調整手順を含むアプローチを深く解説し、いくつかのソーシャルメディアプラットフォームにおけるうつ病の早期診断における結果の重要な意味について考察した。

関連論文リスト

• Systematic Review: Text Processing Algorithms in Machine Learning and Deep Learning for Mental Health Detection on Social Media [0.037693031068634524]
  本稿では,ソーシャルメディア上での抑うつ検出のための機械学習モデルの評価を行う。 モデルの信頼性と一般化可能性に影響を及ぼす重要なバイアスが見つかった。 否定のような言語的なニュアンスに明示的に対応した研究はわずか23%で、正確な感情分析に欠かせないものだった。
  論文  参考訳（メタデータ） (2024-10-21T17:05:50Z)
• Sentiment Informed Sentence BERT-Ensemble Algorithm for Depression Detection [0.0]
  WHOによると、世界で約2億8000万人がうつ病に苦しんでいる。 本稿では,2つのベンチマークソーシャルメディアデータセットを用いた早期抑うつ検出のためのMLアルゴリズムの性能について検討した。
  論文  参考訳（メタデータ） (2024-09-07T07:47:55Z)
• A Gradient Analysis Framework for Rewarding Good and Penalizing Bad Examples in Language Models [63.949883238901414]
  本稿では,損失関数の勾配解析の特異な角度について述べる。 ExMATEはMLEの優れたサロゲートであり,DPOとMLEの代わりにExMATEを組み合わせることで,統計的(5-7%)と生成的(+18%)の性能が向上することがわかった。
  論文  参考訳（メタデータ） (2024-08-29T17:46:18Z)
• Depression Detection on Social Media with Large Language Models [23.075317886505193]
  抑うつ検出は、ソーシャルメディア上の投稿履歴を分析して、個人が抑うつに苦しむかどうかを判断することを目的としている。 本稿では,医学的知識と大規模言語モデルの最近の進歩を融合した,DORISと呼ばれる新規なうつ病検出システムを提案する。
  論文  参考訳（メタデータ） (2024-03-16T01:01:16Z)
• The Relationship Between Speech Features Changes When You Get Depressed: Feature Correlations for Improving Speed and Performance of Depression Detection [69.88072583383085]
  この研究は、抑うつが音声から抽出した特徴間の相関を変化させることを示す。 このような洞察を用いることで、SVMとLSTMに基づく抑うつ検出器のトレーニング速度と性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-07-06T09:54:35Z)
• What Symptoms and How Long? An Interpretable AI Approach for Depression Detection in Social Media [0.5156484100374058]
  うつ病は最も一般的で深刻な精神疾患であり、重大な財政的・社会的影響をもたらす。 本研究は、ソーシャルメディアにおける抑うつ検出のための新しい解釈可能な深層学習モデルを用いて、IS文献に寄与する。
  論文  参考訳（メタデータ） (2023-05-18T20:15:04Z)
• 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)
• Exploiting prompt learning with pre-trained language models for Alzheimer's Disease detection [70.86672569101536]
  アルツハイマー病(AD)の早期診断は予防ケアの促進とさらなる進行の遅らせに不可欠である。 本稿では,AD分類誤差をトレーニング対象関数として一貫して用いたPLMの高速微調整法について検討する。
  論文  参考訳（メタデータ） (2022-10-29T09:18:41Z)
• Exploring linguistic feature and model combination for speech recognition based automatic AD detection [61.91708957996086]
  音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。 専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。 本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
  論文  参考訳（メタデータ） (2022-06-28T05:09:01Z)
• Improving the Generalizability of Depression Detection by Leveraging Clinical Questionnaires [26.302025988210936]
  PHQ9に記載された症状の存在により,異なる度合いに制約されたうつ病検出のためのアプローチを提案する。 3つのソーシャルメディアデータセットのデータセット転送実験において、PHQ9の症状をモデルとしてグラウンド化することで、その一般化能力が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2022-04-21T22:57:11Z)

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。