論文の概要: Enhanced Suicidal Ideation Detection from Social Media Using a CNN-BiLSTM Hybrid Model
- arxiv url: http://arxiv.org/abs/2501.11094v1
- Date: Sun, 19 Jan 2025 16:08:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 14:26:48.250417
- Title: Enhanced Suicidal Ideation Detection from Social Media Using a CNN-BiLSTM Hybrid Model
- Title（参考訳）: CNN-BiLSTMハイブリッドモデルを用いたソーシャルメディアからの適切な着想検出
- Authors: Mohaiminul Islam Bhuiyan, Nur Shazwani Kamarudin, Nur Hafieza Ismail,
- Abstract要約: ソーシャルメディアテキストにおける自殺的思考の識別は、ハイブリッドフレームワークを利用することにより改善される。
モデルの予測の解釈可能性を高めるために、説明可能なAI(XAI)手法を適用した。
SHAP分析では、精神的な健康問題に関連する用語など、モデルの予測に影響を及ぼす重要な特徴が明らかになった。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Suicidal ideation detection is crucial for preventing suicides, a leading cause of death worldwide. Many individuals express suicidal thoughts on social media, offering a vital opportunity for early detection through advanced machine learning techniques. The identification of suicidal ideation in social media text is improved by utilising a hybrid framework that integrates Convolutional Neural Networks (CNN) and Bidirectional Long Short-Term Memory (BiLSTM), enhanced with an attention mechanism. To enhance the interpretability of the model's predictions, Explainable AI (XAI) methods are applied, with a particular focus on SHapley Additive exPlanations (SHAP), are incorporated. At first, the model managed to reach an accuracy of 92.81%. By applying fine-tuning and early stopping techniques, the accuracy improved to 94.29%. The SHAP analysis revealed key features influencing the model's predictions, such as terms related to mental health struggles. This level of transparency boosts the model's credibility while helping mental health professionals understand and trust the predictions. This work highlights the potential for improving the accuracy and interpretability of detecting suicidal tendencies, making a valuable contribution to the progress of mental health monitoring systems. It emphasizes the significance of blending powerful machine learning methods with explainability to develop reliable and impactful mental health solutions.
- Abstract（参考訳）: 自殺を予防するためには、適切なアイデア検出が不可欠である。
多くの個人はソーシャルメディアに自殺的思考を表現し、高度な機械学習技術を通じて早期発見の絶好の機会を提供する。
コンボリューショナルニューラルネットワーク(CNN)とbidirectional Long Short-Term Memory(BiLSTM)を統合したハイブリッドフレームワークを利用して、ソーシャルメディアテキストにおける自殺的思考の識別を改善する。
モデルの予測の解釈可能性を高めるために、特にSHAP(SHapley Additive exPlanations)に焦点を当てた説明可能なAI(XAI)手法が導入された。
当初は92.81%の精度に達していた。
微調整と早期停止を施すことで、精度は94.29%向上した。
SHAP分析では、精神的な健康問題に関連する用語など、モデルの予測に影響を及ぼす重要な特徴が明らかになった。
このレベルの透明性は、メンタルヘルスの専門家が予測を理解し信頼するのを助ける一方で、モデルの信頼性を高める。
この研究は、自殺傾向の検出精度と解釈可能性を向上させる可能性を強調し、メンタルヘルスモニタリングシステムの進歩に重要な貢献をする。
信頼性と影響力のあるメンタルヘルスソリューションを開発するための説明性を備えた強力な機械学習手法を組み合わせることの重要性を強調している。
関連論文リスト
- A Comparative Analysis of Transformer and LSTM Models for Detecting Suicidal Ideation on Reddit [0.18416014644193066]
多くの人がRedditのようなソーシャルメディアプラットフォームで自殺的な考えを表明しています。
本稿では, 深層学習変換器モデルBERT, RoBERTa, DistilBERT, ALBERT, ELECTRAの有効性を検討した。
RoBERTaは93.22%、F1スコア93.14%の最も効果的なモデルとして登場した。
論文 参考訳（メタデータ） (2024-11-23T01:17:43Z) - SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Non-Invasive Suicide Risk Prediction Through Speech Analysis [74.8396086718266]
自動自殺リスク評価のための非侵襲的音声ベースアプローチを提案する。
我々は、wav2vec、解釈可能な音声・音響特徴、深層学習に基づくスペクトル表現の3つの特徴セットを抽出する。
我々の最も効果的な音声モデルは、6.6.2,%$のバランスの取れた精度を達成する。
論文 参考訳（メタデータ） (2024-04-18T12:33:57Z) - 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) - 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) - 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) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Bias Reducing Multitask Learning on Mental Health Prediction [18.32551434711739]
メンタルヘルスの検出や予測のための機械学習モデルの開発では、研究が増加している。
本研究では,マルチタスク学習に基づくバイアス緩和手法を不安予測モデルに適用し,公平性分析を行うことを目的とする。
分析の結果、我々の不安予測ベースモデルでは、年齢、収入、民族性、そして参加者が米国で生まれたかどうかに偏りが生じていた。
論文 参考訳（メタデータ） (2022-08-07T02:28:32Z) - 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) - 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) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳（メタデータ） (2020-09-16T15:16:03Z)
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。