論文の概要: CFiCS: Graph-Based Classification of Common Factors and Microcounseling Skills

• arxiv url: http://arxiv.org/abs/2503.22277v1
• Date: Fri, 28 Mar 2025 09:46:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:31:42.655467
• Title: CFiCS: Graph-Based Classification of Common Factors and Microcounseling Skills
• Title（参考訳）: CFiCS: 共通因子とマイクロカウンセリングスキルのグラフによる分類
• Authors: Fabian Schmidt, Karin Hammerfald, Henrik Haaland Jahren, Vladimir Vlassov,
• Abstract要約: 本稿では,グラフ機械学習とコンテキスト埋め込みを統合した階層型分類フレームワークであるCFiCSを紹介する。 我々は、共通の要因、介入概念、マイクロカウンセリングのスキルを異種グラフとして表現し、クリニカルBERTからのテキスト情報が各ノードを豊かにする。 グラフニューラルネットワークを活用することで、CFiCSは明示的な接続を欠く未確認のテキストサンプルに一般化する帰納的ノード埋め込みを学習する。
• 参考スコア（独自算出の注目度）: 0.12233362977312943
• License:
• Abstract: Common factors and microcounseling skills are critical to the effectiveness of psychotherapy. Understanding and measuring these elements provides valuable insights into therapeutic processes and outcomes. However, automatic identification of these change principles from textual data remains challenging due to the nuanced and context-dependent nature of therapeutic dialogue. This paper introduces CFiCS, a hierarchical classification framework integrating graph machine learning with pretrained contextual embeddings. We represent common factors, intervention concepts, and microcounseling skills as a heterogeneous graph, where textual information from ClinicalBERT enriches each node. This structure captures both the hierarchical relationships (e.g., skill-level nodes linking to broad factors) and the semantic properties of therapeutic concepts. By leveraging graph neural networks, CFiCS learns inductive node embeddings that generalize to unseen text samples lacking explicit connections. Our results demonstrate that integrating ClinicalBERT node features and graph structure significantly improves classification performance, especially in fine-grained skill prediction. CFiCS achieves substantial gains in both micro and macro F1 scores across all tasks compared to baselines, including random forests, BERT-based multi-task models, and graph-based methods.
• Abstract（参考訳）: 一般的な要因とマイクロカウンセリングスキルは、心理療法の効果に不可欠である。 これらの要素を理解して測定することは、治療プロセスと結果に対する貴重な洞察を提供する。 しかし、これらの変化原理をテキストデータから自動的に識別することは、治療対話のニュアンスと文脈に依存した性質のため、依然として困難である。 本稿では,グラフ機械学習と事前学習した文脈埋め込みを統合した階層型分類フレームワークであるCFiCSを紹介する。 我々は、共通の要因、介入概念、マイクロカウンセリングのスキルを異種グラフとして表現し、クリニカルBERTからのテキスト情報が各ノードを豊かにする。 この構造は階層的関係(例えば、幅広い要因にリンクするスキルレベルノード)と治療概念の意味的特性の両方を捉えている。 グラフニューラルネットワークを活用することで、CFiCSは明示的な接続を欠く未確認のテキストサンプルに一般化する帰納的ノード埋め込みを学習する。 以上の結果から,特に微粒化スキル予測において,臨床BERTノードの特徴とグラフ構造の統合により分類性能が著しく向上することが示唆された。 CFiCSは、ランダムフォレスト、BERTベースのマルチタスクモデル、グラフベースの手法など、すべてのタスクのマイクロF1スコアとマクロF1スコアで大幅に向上している。

関連論文リスト

• Enhancing Persona Classification in Dialogue Systems: A Graph Neural Network Approach [0.0]
  本研究では,テキスト埋め込みとグラフニューラルネットワーク(GNN)を組み合わせた効果的なペルソナ分類手法を提案する。 専用のペルソナ分類データセットがないため、モデルトレーニングと評価を容易にするために手動で注釈付きデータセットを作成します。 我々のアプローチ、特にGNNの統合は、特に限られたデータにおいて、分類性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-12-17T19:27:24Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
  本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-05T09:05:33Z)
• KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot Node Classification [75.95647590619929]
  Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。 ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。 ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
  論文  参考訳（メタデータ） (2023-08-15T02:38:08Z)
• Representation Learning for Person or Entity-centric Knowledge Graphs: An Application in Healthcare [0.757843972001219]
  本稿では、構造化データと非構造化データからエンティティ中心のKGを抽出するエンドツーエンド表現学習フレームワークを提案する。 我々は、人の複数の面を表す星型分類器を導入し、それをKG生成のガイドに利用する。 このアプローチにはいくつかの潜在的なアプリケーションがあり、オープンソースであることを強調します。
  論文  参考訳（メタデータ） (2023-05-09T17:39:45Z)
• Graph Neural Networks for Text Classification: A Survey [8.414181339242706]
  グラフニューラルネットワークベースのモデルは、複雑な構造化テキストデータに対処し、グローバル情報を利用することができる。 コーパスレベルと文書レベルのグラフニューラルネットワークを含む、メソッドのカバレッジを2023年までに提供します。 技術調査に加えて,グラフニューラルネットワークを用いたテキスト分類における課題と今後の方向性についても検討する。
  論文  参考訳（メタデータ） (2023-04-23T04:21:50Z)
• Understanding Graph Convolutional Networks for Text Classification [9.495731689143827]
  本稿では,グラフにおけるノードとエッジの埋め込みの役割と,テキスト分類におけるGCN学習手法を包括的に分析する。 我々の分析はこの種の最初のものであり、各グラフノード/エッジ構築メカニズムの重要性についての有用な洞察を提供する。
  論文  参考訳（メタデータ） (2022-03-30T05:14:31Z)
• Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
  本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。 SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
  論文  参考訳（メタデータ） (2021-03-05T09:03:03Z)
• Hierarchical Graph Capsule Network [78.4325268572233]
  ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。 階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
  論文  参考訳（メタデータ） (2020-12-16T04:13:26Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。