論文の概要: Multimodal Generative AI and Foundation Models for Behavioural Health in Online Gambling

• arxiv url: http://arxiv.org/abs/2503.03752v1
• Date: Fri, 24 Jan 2025 15:35:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-16 11:45:15.340652
• Title: Multimodal Generative AI and Foundation Models for Behavioural Health in Online Gambling
• Title（参考訳）: オンラインギャンブルにおける行動保健のためのマルチモーダル生成AIと基礎モデル
• Authors: Konrad Samsel, Mohammad Noaeen, Neil Seeman, Karim Keshavjee, Li-Jia Li, Zahra Shakeri,
• Abstract要約: オンラインギャンブルプラットフォームはギャンブルの世界を変え、前例のないアクセシビリティとパーソナライズされた体験を提供している。 これらの特徴は賭博関連害のリスクを増大させ、個人、家族、コミュニティに影響を与えている。 本稿では,人工知能,特に多モード生成モデルと基礎技術がこれらの問題にどのように対処できるかを考察する。
• 参考スコア（独自算出の注目度）: 4.576019260696813
• License:
• Abstract: Online gambling platforms have transformed the gambling landscape, offering unprecedented accessibility and personalized experiences. However, these same characteristics have increased the risk of gambling-related harm, affecting individuals, families, and communities. Structural factors, including targeted marketing, shifting social norms, and gaps in regulation, further complicate the challenge. This narrative review examines how artificial intelligence, particularly multimodal generative models and foundation technologies, can address these issues by supporting prevention, early identification, and harm-reduction efforts. We detail applications such as synthetic data generation to overcome research barriers, customized interventions to guide safer behaviors, gamified tools to support recovery, and scenario modeling to inform effective policies. Throughout, we emphasize the importance of safeguarding privacy and ensuring that technological advances are responsibly aligned with public health objectives.
• Abstract（参考訳）: オンラインギャンブルプラットフォームはギャンブルの世界を変え、前例のないアクセシビリティとパーソナライズされた体験を提供している。 しかし、このような特徴は賭博関連害のリスクを増大させ、個人、家族、コミュニティに影響を与えている。 ターゲットマーケティング、社会規範の転換、規制のギャップなど構造的要因は、この課題をさらに複雑にしている。 本稿では,人工知能,特にマルチモーダル生成モデルと基礎技術が,予防,早期識別,害低減の取り組みをサポートすることによって,これらの課題にどのように対処できるかを考察する。 研究障壁を克服するための合成データ生成、より安全な行動を導くためのカスタマイズされた介入、回復を支援するためのゲーミフィケーションツール、効果的なポリシーを伝えるシナリオモデリングなどの応用について詳述する。 全体として、プライバシーの保護の重要性を強調し、技術進歩が公衆衛生目標に責任を負うことを保証する。

関連論文リスト

• Towards Privacy-aware Mental Health AI Models: Advances, Challenges, and Opportunities [61.633126163190724]
  精神病は、社会的、個人的コストがかなり高い広範囲で不安定な状態である。 近年の人工知能(AI)の進歩は、うつ病、不安障害、双極性障害、統合失調症、外傷後ストレス障害などの病態を認識し、対処するための大きな可能性を秘めている。 データセットやトレーニング済みモデルからの機密データ漏洩のリスクを含むプライバシー上の懸念は、これらのAIシステムを実際の臨床環境にデプロイする上で、依然として重要な障壁である。
  論文  参考訳（メタデータ） (2025-02-01T15:10:02Z)
• Open Problems in Machine Unlearning for AI Safety [61.43515658834902]
  特定の種類の知識を選択的に忘れたり、抑圧したりするマシンアンラーニングは、プライバシとデータ削除タスクの約束を示している。 本稿では,アンラーニングがAI安全性の包括的ソリューションとして機能することを防止するための重要な制約を特定する。
  論文  参考訳（メタデータ） (2025-01-09T03:59:10Z)
• Privacy in Fine-tuning Large Language Models: Attacks, Defenses, and Future Directions [11.338466798715906]
  細調整された大規模言語モデル(LLM)は、様々な領域で最先端のパフォーマンスを達成することができる。 本稿では、微調整LDMに関連するプライバシー問題に関する包括的調査を行う。 メンバーシップ推論、データ抽出、バックドア攻撃など、さまざまなプライバシ攻撃に対する脆弱性を強調します。
  論文  参考訳（メタデータ） (2024-12-21T06:41:29Z)
• Machine Unlearning Doesn't Do What You Think: Lessons for Generative AI Policy, Research, and Practice [186.055899073629]
  非学習はしばしば、生成AIモデルからターゲット情報の影響を取り除くソリューションとして呼び出される。 未学習はまた、モデルが出力中にターゲットとなるタイプの情報を生成するのを防ぐ方法として提案されている。 これら2つの目標 - モデルからの情報の標的的除去と、モデル出力からの情報のターゲット的抑制 - は、様々な技術的および現実的な課題を表す。
  論文  参考訳（メタデータ） (2024-12-09T20:18:43Z)
• New Emerged Security and Privacy of Pre-trained Model: a Survey and Outlook [54.24701201956833]
  セキュリティとプライバシーの問題は、事前訓練されたモデルに対するユーザーの信頼を損なう。 現在の文献は、事前訓練されたモデルに対する攻撃と防御の明確な分類を欠いている。 この分類法は、攻撃と防御をNo-Change、Input-Change、Model-Changeアプローチに分類する。
  論文  参考訳（メタデータ） (2024-11-12T10:15:33Z)
• 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)
• A Comprehensive Review of Multimodal XR Applications, Risks, and Ethical Challenges in the Metaverse [1.30536490219656]
  レビューでは、拡張現実性(XR)技術に関連する幅広い応用、リスク、倫理的課題について考察する。 XRは、教育における没入型学習、医学・専門教育、神経心理学的評価、治療介入、芸術、エンターテイメント、eコマース、リモートワーク、スポーツ、建築、都市計画、文化遺産などの分野に革命をもたらしている。 XRの拡張は、データプライバシのリスク、サイバーセキュリティの脆弱性、サイバーシック、中毒、解離、ハラスメント、いじめ、誤情報など、深刻な懸念を提起する。
  論文  参考訳（メタデータ） (2024-11-07T07:57:56Z)
• Responsible and Regulatory Conform Machine Learning for Medicine: A Survey of Technical Challenges and Solutions [4.325945017291532]
  医療機械学習システム構築における技術的課題を責任を持って調査する。 基礎となる技術的課題、対処の可能な方法、それぞれのメリットと欠点について論じる。
  論文  参考訳（メタデータ） (2021-07-20T15:03:05Z)
• Persuasion Meets AI: Ethical Considerations for the Design of Social Engineering Countermeasures [0.0]
  FacebookやInstagramのようなSNSのプライバシーは、人々の自己開示決定と密接に関連している。 オンラインのプライバシー決定は、しばしば、不信任者に対して機密データを開示する義務を負わせる、急激なリスク判断に基づいている。 本稿では,nudging機構がAIベースの対策の開発にもたらす倫理的課題について詳述する。
  論文  参考訳（メタデータ） (2020-09-27T14:24:29Z)
• COVI White Paper [67.04578448931741]
  接触追跡は、新型コロナウイルスのパンデミックの進行を変える上で不可欠なツールだ。 カナダで開発されたCovid-19の公衆ピアツーピア接触追跡とリスク認識モバイルアプリケーションであるCOVIの理論的、設計、倫理的考察、プライバシ戦略について概説する。
  論文  参考訳（メタデータ） (2020-05-18T07:40:49Z)

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。