論文の概要: Predicting and Understanding College Student Mental Health with Interpretable Machine Learning

• arxiv url: http://arxiv.org/abs/2503.08002v1
• Date: Tue, 11 Mar 2025 03:07:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:46:07.679079
• Title: Predicting and Understanding College Student Mental Health with Interpretable Machine Learning
• Title（参考訳）: 解釈可能な機械学習による大学生のメンタルヘルスの予測と理解
• Authors: Meghna Roy Chowdhury, Wei Xuan, Shreyas Sen, Yixue Zhao, Yi Ding,
• Abstract要約: パーソナライズされたmEntalヘルス予測のための最初の解釈可能な階層型mOdelであるI-HOPEを提案する。 I-HOPEは、2段階の階層モデルであり、最長長周期移動センシングデータセットであるCollege Experience Studyで検証されている。 このデータセットは5年間にわたって、パンデミック前と新型コロナウイルス(COVID-19)パンデミック前の両方のデータをキャプチャする。 我々のモデルは、複雑なパターンを解釈可能かつ個別化された洞察に抽出し、調整された介入の今後の発展とメンタルヘルスサポートの改善を可能にする。
• 参考スコア（独自算出の注目度）: 4.136180468780605
• License:
• Abstract: Mental health issues among college students have reached critical levels, significantly impacting academic performance and overall wellbeing. Predicting and understanding mental health status among college students is challenging due to three main factors: the necessity for large-scale longitudinal datasets, the prevalence of black-box machine learning models lacking transparency, and the tendency of existing approaches to provide aggregated insights at the population level rather than individualized understanding. To tackle these challenges, this paper presents I-HOPE, the first Interpretable Hierarchical mOdel for Personalized mEntal health prediction. I-HOPE is a two-stage hierarchical model, validated on the College Experience Study, the longest longitudinal mobile sensing dataset. This dataset spans five years and captures data from both pre-pandemic periods and the COVID-19 pandemic. I-HOPE connects raw behavioral features to mental health status through five defined behavioral categories as interaction labels. This approach achieves a prediction accuracy of 91%, significantly surpassing the 60-70% accuracy of baseline methods. In addition, our model distills complex patterns into interpretable and individualized insights, enabling the future development of tailored interventions and improving mental health support. The code is available at https://github.com/roycmeghna/I-HOPE.
• Abstract（参考訳）: 大学生のメンタルヘルス問題は重大なレベルに達しており、学業成績や全体的な健康に大きく影響している。 大学生のメンタルヘルス状態の予測と理解は、大規模な縦断データセットの必要性、透明性に欠けるブラックボックス機械学習モデルの普及、個別化された理解よりも人口レベルで総合的な洞察を提供する既存のアプローチの傾向の3つの主な要因により困難である。 これらの課題に対処するため, パーソナライズされたmEntalヘルス予測のための最初の解釈可能な階層型mOdelであるI-HOPEを提案する。 I-HOPEは、2段階の階層モデルであり、最長長周期移動センシングデータセットであるCollege Experience Studyで検証されている。 このデータセットは5年間にわたって、パンデミック前と新型コロナウイルス(COVID-19)パンデミック前の両方のデータをキャプチャする。 I-HOPEは、5つの定義された行動カテゴリーを相互作用ラベルとして、生の行動特徴とメンタルヘルスの状態を結びつける。 このアプローチは予測精度91%を達成し、ベースライン法の60-70%の精度を大幅に上回る。 さらに、複雑なパターンを解釈可能かつ個別化された洞察に抽出し、調整された介入の今後の発展とメンタルヘルスサポートの改善を可能にする。 コードはhttps://github.com/roycmeghna/I-HOPEで公開されている。

関連論文リスト

• Two-Stage Representation Learning for Analyzing Movement Behavior Dynamics in People Living with Dementia [44.39545678576284]
  本研究では,認知症高齢者の在宅活動データを,2段階の自己指導型学習アプローチによって分析する。 第1段階は、時系列アクティビティを事前訓練された言語モデルによって符号化されたテキストシーケンスに変換する。 このPageRankベクトルは遅延状態遷移をキャプチャし、複雑な振る舞いデータを簡潔な形式に効果的に圧縮する。
  論文  参考訳（メタデータ） (2025-02-13T10:57:25Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• 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)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• 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)
• Evaluating the performance of personal, social, health-related, biomarker and genetic data for predicting an individuals future health using machine learning: A longitudinal analysis [0.0]
  この研究の目的は、個人、社会、健康関連、バイオマーカーおよび遺伝データの相対的貢献を個人における将来の健康の予測因子として識別するために機械学習アプローチを適用することである。 ニューラルネットワークによるディープラーニングとXGBoostという,予測モデル構築に2つの機械学習アプローチが使用された。 その結果、健康関連の指標が将来の健康状態を最も予測し、遺伝データが劣っていることがわかった。
  論文  参考訳（メタデータ） (2021-04-26T12:31:40Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• 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)
• Adapting Deep Learning Methods for Mental Health Prediction on Social Media [10.102073937554488]
  メンタルヘルスは、個人の幸福のために重要な課題となる。 深層学習モデルを用いてソーシャルメディア利用者の精神状態を検出するという課題に取り組む。 ユーザが9つの異なる障害のうちの1つに苦しむかどうかを予測するバイナリ分類タスクでは、階層的な注意ネットワークが以前設定された4つの障害のベンチマークを上回っている。
  論文  参考訳（メタデータ） (2020-03-17T10:49:03Z)

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。