論文の概要: Does Rationale Quality Matter? Enhancing Mental Disorder Detection via Selective Reasoning Distillation

• arxiv url: http://arxiv.org/abs/2505.20014v1
• Date: Mon, 26 May 2025 14:05:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.490029
• Title: Does Rationale Quality Matter? Enhancing Mental Disorder Detection via Selective Reasoning Distillation
• Title（参考訳）: Rationaleの品質は重要か?選択的推論蒸留による精神障害検出の促進
• Authors: Hoyun Song, Huije Lee, Jisu Shin, Sukmin Cho, Changgeon Ko, Jong C. Park,
• Abstract要約: 本稿では,メンタルヘルスの検出と説明生成における蒸留の合理的な品質の影響について検討する。 専門的臨床推論と整合性に基づいて合理性を選択する枠組みを提案する。 実験により, 精神障害検出と合理性生成の双方において, 品質重視のアプローチがSLM性能を著しく向上させることが示された。
• 参考スコア（独自算出の注目度）: 9.598920004159696
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The detection of mental health problems from social media and the interpretation of these results have been extensively explored. Research has shown that incorporating clinical symptom information into a model enhances domain expertise, improving its detection and interpretation performance. While large language models (LLMs) are shown to be effective for generating explanatory rationales in mental health detection, their substantially large parameter size and high computational cost limit their practicality. Reasoning distillation transfers this ability to smaller language models (SLMs), but inconsistencies in the relevance and domain alignment of LLM-generated rationales pose a challenge. This paper investigates how rationale quality impacts SLM performance in mental health detection and explanation generation. We hypothesize that ensuring high-quality and domain-relevant rationales enhances the distillation. To this end, we propose a framework that selects rationales based on their alignment with expert clinical reasoning. Experiments show that our quality-focused approach significantly enhances SLM performance in both mental disorder detection and rationale generation. This work highlights the importance of rationale quality and offers an insightful framework for knowledge transfer in mental health applications.
• Abstract（参考訳）: ソーシャルメディアからのメンタルヘルス問題の検出とこれらの結果の解釈が広く研究されている。 臨床症状情報をモデルに組み込むことで、ドメインの専門知識が向上し、検出性能と解釈性能が向上することが研究で示されている。 大規模言語モデル(LLM)はメンタルヘルス検出において説明論的理性を生成するのに有効であることが示されているが、そのパラメータサイズはかなり大きく、計算コストが高いため実用性が制限される。 共鳴蒸留は、この能力をより小さな言語モデル(SLM)に伝達するが、LLM生成論理の関連性とドメインアライメントの不整合は困難である。 本稿では,精神的な健康診断と説明生成において,合理的な品質がSLMのパフォーマンスに与える影響について検討する。 高品質でドメイン関係の有理性を確保することで蒸留が促進されるという仮説を立てる。 そこで本稿では,専門的臨床推論との整合性に基づいた合理性を選択する枠組みを提案する。 実験により, 精神障害検出と合理性生成の双方において, 品質重視のアプローチがSLM性能を著しく向上させることが示された。 この研究は、合理的な品質の重要性を強調し、メンタルヘルスアプリケーションにおける知識伝達のための洞察力のあるフレームワークを提供する。

関連論文リスト

• ProMind-LLM: Proactive Mental Health Care via Causal Reasoning with Sensor Data [5.961343130822046]
  メンタルヘルスのリスクは、世界の公衆衛生にとって重要な課題である。 大規模言語モデル(LLMs)の開発により、それらは説明可能な精神医療応用のための有望なツールであることが注目されている。 本稿では、主観的心的記録と相補的な情報として客観的行動データを統合する革新的なアプローチであるProMind-LLMを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T07:36:28Z)
• Structured Outputs Enable General-Purpose LLMs to be Medical Experts [50.02627258858336]
  大規模言語モデル(LLM)は、しばしばオープンエンドの医学的問題に苦しむ。 本稿では,構造化医療推論を利用した新しいアプローチを提案する。 我々の手法は85.8のファクチュアリティスコアを達成し、微調整されたモデルを上回る。
  論文  参考訳（メタデータ） (2025-03-05T05:24:55Z)
• Knowledge-Augmented Multimodal Clinical Rationale Generation for Disease Diagnosis with Small Language Models [14.136585695164426]
  小型言語モデル(SLM)は効率的であるが、マルチモーダル医療データを統合するための高度な推論が欠けている。 我々は,LLM由来の推論能力を合理的蒸留とドメイン知識注入によって活用し,SLMの強化を図るClinRaGenを提案する。 実世界の医療データセットの実験により、ClinRaGenは疾患の診断と合理性生成において最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2024-11-12T07:34:56Z)
• WellDunn: On the Robustness and Explainability of Language Models and Large Language Models in Identifying Wellness Dimensions [46.60244609728416]
  言語モデル (LMs) は, 予後不良のリスクが高まれば, 臨床実習におけるモデルの実用性に対するリトマステストにはならない可能性がある, メンタルヘルスの分野では, 言語モデル (LMs) が提案されている。 ウェルネス次元(WD)の同定におけるLMの堅牢性と説明性に着目した評価設計を提案する。 LM/LLMの4つの驚くべき結果が明らかになった。
  論文  参考訳（メタデータ） (2024-06-17T19:50:40Z)
• Empowering Psychotherapy with Large Language Models: Cognitive Distortion Detection through Diagnosis of Thought Prompting [82.64015366154884]
  本研究では,認知的歪み検出の課題について検討し,思考の早期発見(DoT)を提案する。 DoTは、事実と思考を分離するための主観的評価、思考と矛盾する推論プロセスを引き出すための対照的な推論、認知スキーマを要約するスキーマ分析という3つの段階を通して、患者のスピーチの診断を行う。 実験により、DoTは認知的歪み検出のためのChatGPTよりも大幅に改善され、一方で人間の専門家が承認した高品質な合理性を生成することが示された。
  論文  参考訳（メタデータ） (2023-10-11T02:47:21Z)
• Towards Mitigating Hallucination in Large Language Models via Self-Reflection [63.2543947174318]
  大規模言語モデル(LLM)は、質問応答(QA)タスクを含む生成的および知識集約的なタスクを約束している。 本稿では,広範に採用されているLCMとデータセットを用いた医療再生QAシステムにおける幻覚現象を解析する。
  論文  参考訳（メタデータ） (2023-10-10T03:05:44Z)
• Precision psychiatry: predicting predictability [0.0]
  私は精密精神医学の分野での10の課題をレビューします。 現実の人口と現実的な臨床結果の定義についての研究が必要である。 プラセボ効果や処方薬の非順守などの治療関連因子について検討する。
  論文  参考訳（メタデータ） (2023-06-21T13:10:46Z)
• A Simple and Flexible Modeling for Mental Disorder Detection by Learning from Clinical Questionnaires [0.2580765958706853]
  そこで本研究では,テキストから直接意味を抽出し,症状に関連する記述と比較する手法を提案する。 詳細な分析により,提案モデルがドメイン知識の活用,他の精神疾患への伝達,解釈可能な検出結果の提供に有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-06-05T15:23:55Z)

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。