論文の概要: Predicting Depression in Screening Interviews from Interactive Multi-Theme Collaboration
- arxiv url: http://arxiv.org/abs/2502.12204v1
- Date: Sun, 16 Feb 2025 12:37:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-19 14:08:51.666543
- Title: Predicting Depression in Screening Interviews from Interactive Multi-Theme Collaboration
- Title(参考訳): 対話型多テーマコラボレーションによる面接における抑うつの予測
- Authors: Xianbing Zhao, Yiqing Lyu, Di Wang, Buzhou Tang,
- Abstract要約: 本稿では,対話型抑うつ検出フレームワークを提案する。
テキスト内学習技術を活用して、臨床面接におけるテーマを特定し、テーマ内およびテーマ間相関の両方をモデル化する。
臨床医の興味をシミュレートするためにAIによるフィードバックを採用し、テーマのインタラクティブな調整が重要となる。
- 参考スコア(独自算出の注目度): 11.354123389077092
- License:
- Abstract: Automatic depression detection provides cues for early clinical intervention by clinicians. Clinical interviews for depression detection involve dialogues centered around multiple themes. Existing studies primarily design end-to-end neural network models to capture the hierarchical structure of clinical interview dialogues. However, these methods exhibit defects in modeling the thematic content of clinical interviews: 1) they fail to capture intra-theme and inter-theme correlation explicitly, and 2) they do not allow clinicians to intervene and focus on themes of interest. To address these issues, this paper introduces an interactive depression detection framework. This framework leverages in-context learning techniques to identify themes in clinical interviews and then models both intra-theme and inter-theme correlation. Additionally, it employs AI-driven feedback to simulate the interests of clinicians, enabling interactive adjustment of theme importance. PDIMC achieves absolute improvements of 35\% and 12\% compared to the state-of-the-art on the depression detection dataset DAIC-WOZ, which demonstrates the effectiveness of modeling theme correlation and incorporating interactive external feedback.
- Abstract(参考訳): 自動うつ病検出は、臨床医による早期臨床介入のための手がかりを提供する。
うつ病検出のための臨床面接には、複数のテーマを中心とした対話が含まれる。
既存の研究では、主に、臨床面接対話の階層構造を捉えるために、エンドツーエンドのニューラルネットワークモデルを設計している。
しかし、これらの手法は、臨床面接のテーマ内容のモデル化における欠陥を示す。
1)テーマ内およびテーマ間相関を明示的に捉えられず、
2) 臨床医が介入し、関心のテーマに焦点を合わせることを許さない。
これらの問題に対処するために,対話型抑うつ検出フレームワークを提案する。
このフレームワークは、コンテキスト内学習技術を活用して、臨床面接におけるテーマを特定し、テーマ内およびテーマ間相関の両方をモデル化する。
さらに、AIによるフィードバックを使って、臨床医の関心をシミュレートし、テーマの重要性をインタラクティブに調整できる。
PDIMC は抑うつ検出データセット DAIC-WOZ の最先端技術と比較して絶対的に 35 % と 12 % の改善を実現している。
関連論文リスト
- Dialogue is Better Than Monologue: Instructing Medical LLMs via Strategical Conversations [74.83732294523402]
実世界の診断シナリオをシミュレートし,USMLE標準に適合するノイズと難易度を統合する新しいベンチマークを導入する。
また、対話に基づく微調整についても検討し、静的データセットを会話形式に変換し、反復的推論プロセスをよりよく捉える。
実験の結果、対話調整されたモデルは従来の手法よりも優れており、マルチラウンド推論のシナリオでは9.64%、ノイズの多い環境では6.18%の精度で改善されている。
論文 参考訳(メタデータ) (2025-01-29T18:58:48Z) - Detecting Neurocognitive Disorders through Analyses of Topic Evolution and Cross-modal Consistency in Visual-Stimulated Narratives [84.03001845263]
神経認知障害(NCD)の早期発見は、時間的介入と疾患管理に不可欠である。
伝統的な物語分析は、しばしば単語の使用法や構文など、ミクロ構造における局所的な指標に焦点を当てる。
本稿では,話題の変化,時間的ダイナミクス,物語の時間的コヒーレンスを分析することによって,特定の認知的・言語的課題を解明することを提案する。
論文 参考訳(メタデータ) (2025-01-07T12:16:26Z) - Applying LLM and Topic Modelling in Psychotherapeutic Contexts [44.99833362998488]
本論文は、機械学習に基づくトピックモデリングツールであるBERTopicを、セラピストの2つの異なるグループの対話に適用することに焦点を当てている。
その結果、セラピストのスピーチにおいて最も一般的で安定したトピックが強調され、治療における言語パターンがどのように発達し、様々な治療スタイルで安定するかについての洞察が得られた。
論文 参考訳(メタデータ) (2024-12-23T10:14:32Z) - HiQuE: Hierarchical Question Embedding Network for Multimodal Depression Detection [11.984035389013426]
HiQuEは、臨床面接における一次質問とフォローアップ質問の階層的関係を活用する、新規なうつ病検出フレームワークである。
我々はDAIC-WOZという,広く利用されている臨床面接データについて広範な実験を行い,そのモデルが他の最先端マルチモーダルうつ病検出モデルより優れていることを示した。
論文 参考訳(メタデータ) (2024-08-07T09:23:01Z) - Speech-based Clinical Depression Screening: An Empirical Study [32.84863235794086]
本研究では,AIを用いた抑うつスクリーニングにおける音声信号の有用性について検討した。
参加者には、北京大学第6病院の外来から採用されているうつ病患者が含まれる。
音声と深部音声の特徴を各参加者の分節録音から抽出した。
論文 参考訳(メタデータ) (2024-06-05T09:43:54Z) - Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。
VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。
本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-05-29T23:19:28Z) - Two in One Go: Single-stage Emotion Recognition with Decoupled Subject-context Transformer [78.35816158511523]
単段階の感情認識手法として,DSCT(Decoupled Subject-Context Transformer)を用いる。
広範に使われている文脈認識型感情認識データセットであるCAER-SとEMOTICの単段階フレームワークの評価を行った。
論文 参考訳(メタデータ) (2024-04-26T07:30:32Z) - Towards Reliable and Empathetic Depression-Diagnosis-Oriented Chats [15.36217265716081]
本稿では,うつ病診断対話に適した,革新的な定義・生成フレームワークを提案する。
このフレームワークは、タスク指向の会話の信頼性と共感に関連したチャットの魅力を組み合わせる。
被曝実験の結果,うつ病診断におけるタスク完了と情緒的サポート生成に有意な改善が認められた。
論文 参考訳(メタデータ) (2024-04-07T16:35:53Z) - Chain-of-Interaction: Enhancing Large Language Models for Psychiatric Behavior Understanding by Dyadic Contexts [4.403408362362806]
本稿では,対話型対話による精神科的意思決定支援のための大規模言語モデルを文脈化するための,対話型連鎖促進手法を提案する。
このアプローチにより、大規模言語モデルでは、患者の行動コーディングのためのコーディングスキーム、患者の状態、およびドメイン知識を活用することができる。
論文 参考訳(メタデータ) (2024-03-20T17:47:49Z) - Enhancing Depression-Diagnosis-Oriented Chat with Psychological State Tracking [27.96718892323191]
Depression-diagnosis-oriented chatは、自己表現の患者を誘導し、うつ病検出の主要な症状を収集することを目的としている。
最近の研究は、面接に基づくうつ病の診断をシミュレートするために、タスク指向対話とchitchatを組み合わせることに焦点を当てている。
対話をガイドするための明確なフレームワークは検討されていない。
論文 参考訳(メタデータ) (2024-03-12T07:17:01Z) - Dynamic Causal Disentanglement Model for Dialogue Emotion Detection [77.96255121683011]
隠れ変数分離に基づく動的因果解離モデルを提案する。
このモデルは、対話の内容を効果的に分解し、感情の時間的蓄積を調べる。
具体的には,発話と隠れ変数の伝搬を推定する動的時間的ゆがみモデルを提案する。
論文 参考訳(メタデータ) (2023-09-13T12:58:09Z)
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。