論文の概要: CALLM: Understanding Cancer Survivors' Emotions and Intervention Opportunities via Mobile Diaries and Context-Aware Language Models

• arxiv url: http://arxiv.org/abs/2503.10707v2
• Date: Tue, 06 May 2025 17:04:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 14:45:09.274873
• Title: CALLM: Understanding Cancer Survivors' Emotions and Intervention Opportunities via Mobile Diaries and Context-Aware Language Models
• Title（参考訳）: CALLM:移動日記と文脈対応言語モデルによるがん生存者の感情と介入機会の理解
• Authors: Zhiyuan Wang, Katharine E. Daniel, Laura E. Barnes, Philip I. Chow,
• Abstract要約: 本論文は, 移動日記を通じて, がん生存者の感情状態とジャスト・イン・タイム介入の機会に関連する重要な変数を理解することを目的とする。 本稿では,Large Language Models (LLM) とRetrieval-Augmented Generation (RAG) を組み合わせた文脈認識フレームワークであるCALLMを提案する。
• 参考スコア（独自算出の注目度）: 11.00553400353042
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cancer survivors face unique emotional challenges that impact their quality of life. Mobile diary entries provide a promising method for tracking emotional states, improving self-awareness, and promoting well-being outcome. This paper aims to, through mobile diaries, understand cancer survivors' emotional states and key variables related to just-in-time intervention opportunities, including the desire to regulate emotions and the availability to engage in interventions. Although emotion analysis tools show potential for recognizing emotions from text, current methods lack the contextual understanding necessary to interpret brief mobile diary narratives. Our analysis of diary entries from cancer survivors (N=407) reveals systematic relationships between described contexts and emotional states, with administrative and health-related contexts associated with negative affect and regulation needs, while leisure activities promote positive emotions. We propose CALLM, a Context-Aware framework leveraging Large Language Models (LLMs) with Retrieval-Augmented Generation (RAG) to analyze these brief entries by integrating retrieved peer experiences and personal diary history. CALLM demonstrates strong performance with balanced accuracies reaching 72.96% for positive affect, 73.29% for negative affect, 73.72% for emotion regulation desire, and 60.09% for intervention availability, outperforming language model baselines. Post-hoc analysis reveals that model confidence strongly predicts accuracy, with longer diary entries generally enhancing performance, and brief personalization periods yielding meaningful improvements. Our findings demonstrate how contextual information in mobile diaries can be effectively leveraged to understand emotional experiences, predict key states, and identify optimal intervention moments for personalized just-in-time support.
• Abstract（参考訳）: がんの生き残りは、自身の生活の質に影響を与えるユニークな感情的な課題に直面します。 モバイル日記のエントリは、感情状態を追跡し、自己認識を改善し、幸福な結果を促進するための有望な方法を提供する。 本論文は,移動日記を通じて,がん生存者の情動状態とジャスト・イン・タイム介入の機会に関連する重要な変数を理解することを目的としている。 感情分析ツールは、感情をテキストから認識する可能性を示しているが、現在の手法では、簡単なモバイル日記の物語を解釈するのに必要な文脈的理解が欠如している。 がん生存者からの日記記事(N=407)を分析した結果,表現された文脈と感情状態の体系的関係が明らかとなり,管理的・健康的な文脈は否定的な感情や規制的ニーズに関連し,レジャー活動は肯定的な感情を促進することが示唆された。 本稿では,Large Language Models (LLM) とRetrieval-Augmented Generation (RAG) を併用した文脈認識フレームワークCALLMを提案する。 CALLMは、バランスの取れた精度が72.96%、ネガティブな影響が73.29%、感情規制が73.72%、介入可能が60.09%に達し、言語モデルベースラインを上回っている。 ポストホック分析により、モデル信頼性は精度を強く予測し、より長い日記エントリは一般的にパフォーマンスを向上し、短いパーソナライズ期間は有意義な改善をもたらすことが明らかとなった。 本研究は,モバイル日記の文脈情報を効果的に活用し,感情経験の理解,鍵状態の予測,パーソナライズされたジャスト・イン・タイム・サポートのための最適な介入モーメントの同定に有効であることを示す。

関連論文リスト

• Consistency of Responses and Continuations Generated by Large Language Models on Social Media [9.809922019554461]
  大規模言語モデル(LLM)は、テキスト生成において顕著な能力を示すが、ソーシャルメディアの文脈における感情的一貫性とセマンティック・コヒーレンス(セマンティック・コヒーレンス)は十分に理解されていない。 本研究では,2つのオープンソースモデル,Gemma と Llama を用いて,LLM が情緒的内容をどのように処理し,セマンティックな関係を維持するかを検討する。
  論文  参考訳（メタデータ） (2025-01-14T13:19:47Z)
• My Words Imply Your Opinion: Reader Agent-Based Propagation Enhancement for Personalized Implicit Emotion Analysis [11.628440499885238]
  本稿では,Personalized IEA(PIEA)とRAPPIEモデルについて紹介する。 我々は、読者のフィードバックをシミュレートするために、大きな言語モデルに基づくリーダーエージェントを作成する。 我々は、英語と中国語のソーシャルメディアをカバーする2つの新しいPIEAデータセットを構築した。
  論文  参考訳（メタデータ） (2024-12-10T10:06:46Z)
• Smile upon the Face but Sadness in the Eyes: Emotion Recognition based on Facial Expressions and Eye Behaviors [63.194053817609024]
  視覚行動は、視覚行動支援型マルチモーダル感情認識データセットを作成するための重要な感情的手がかりとなる。 EMERデータセットに感情認識(ER)と表情認識(FER)の両方のアノテーションを初めて提供する。 具体的には、ERとFERの両方のパフォーマンスを同時に向上する新しいEMERTアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2024-11-08T04:53:55Z)
• Predicting Affective States from Screen Text Sentiment [11.375704805270171]
  スマートフォンで見るテキストコンテンツを分析して感情状態を予測する可能性については、まだ解明されていない。 画面テキストと感情状態の関係を解析するために,線形回帰,ゼロショット,マルチショットを用いた。 以上の結果から,マルチショットプロンプトは線形回帰とゼロショットプロンプトの両方で著しく優れていた。
  論文  参考訳（メタデータ） (2024-08-23T05:25:11Z)
• Machine Learning-based NLP for Emotion Classification on a Cholera X Dataset [0.0]
  本研究の目的は,コレラに関するソーシャルメディア投稿で表現される感情を調べることである。 Python Nat-ural Language Toolkit (NLTK) の感情分析ライブラリを適用し、各テキストの感情的重要性を抑える。 その結果,LSTMの精度は75%であった。
  論文  参考訳（メタデータ） (2024-05-08T09:05:02Z)
• Enhancing Emotional Generation Capability of Large Language Models via Emotional Chain-of-Thought [50.13429055093534]
  大規模言語モデル(LLM)は様々な感情認識タスクにおいて顕著な性能を示した。 本研究では,感情生成タスクにおけるLLMの性能を高めるための感情連鎖(ECoT)を提案する。
  論文  参考訳（メタデータ） (2024-01-12T16:42:10Z)
• Language Models (Mostly) Do Not Consider Emotion Triggers When Predicting Emotion [87.18073195745914]
  人間の感情が感情の予測において有意であると考えられる特徴とどのように相関するかを検討する。 EmoTriggerを用いて、感情のトリガーを識別する大規模言語モデルの能力を評価する。 分析の結果、感情のトリガーは感情予測モデルにとって健全な特徴ではなく、様々な特徴と感情検出のタスクの間に複雑な相互作用があることが判明した。
  論文  参考訳（メタデータ） (2023-11-16T06:20:13Z)
• 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)
• When a crisis strikes: Emotion analysis and detection during COVID-19 [96.03869351276478]
  感情をラベル付けした1万ツイートのCovidEmoを紹介します。 事前学習された言語モデルがドメインや危機をまたいでどのように一般化するかを検討する。
  論文  参考訳（メタデータ） (2021-07-23T04:07:14Z)
• 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)
• Artificial Intelligence for Emotion-Semantic Trending and People Emotion Detection During COVID-19 Social Isolation [16.318840178860142]
  本論文では,Twitter上で隔離された人の感情検出のための効果的なフレームワークを提案する。 本稿では,フレームワークの評価とパイロットシステムについて述べる。 新型コロナツイートのトピック傾向と感情検出のための提案フレームワークの有効性を確認した結果。
  論文  参考訳（メタデータ） (2021-01-16T17:20:33Z)

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。