論文の概要: A Model-Mediated Stacked Ensemble Approach for Depression Prediction Among Professionals

• arxiv url: http://arxiv.org/abs/2506.14459v1
• Date: Tue, 17 Jun 2025 12:19:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.465299
• Title: A Model-Mediated Stacked Ensemble Approach for Depression Prediction Among Professionals
• Title（参考訳）: モデル媒介型重畳型アンサンブルによる専門家の抑うつ予測
• Authors: Md. Mortuza Ahmmed, Abdullah Al Noman, Mahin Montasir Afif, K. M. Tahsin Kabir, Md. Mostafizur Rahman, Mufti Mahmud,
• Abstract要約: うつ病は、特に専門的な環境において、重要な精神的な健康上の問題である。 本研究では,プロの抑うつ分類の予測精度を向上させるため,重ね合わせ型アンサンブル学習手法を提案する。
• 参考スコア（独自算出の注目度）: 2.2756398880750055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Depression is a significant mental health concern, particularly in professional environments where work-related stress, financial pressure, and lifestyle imbalances contribute to deteriorating well-being. Despite increasing awareness, researchers and practitioners face critical challenges in developing accurate and generalizable predictive models for mental health disorders. Traditional classification approaches often struggle with the complexity of depression, as it is influenced by multifaceted, interdependent factors, including occupational stress, sleep patterns, and job satisfaction. This study addresses these challenges by proposing a stacking-based ensemble learning approach to improve the predictive accuracy of depression classification among professionals. The Depression Professional Dataset has been collected from Kaggle. The dataset comprises demographic, occupational, and lifestyle attributes that influence mental well-being. Our stacking model integrates multiple base learners with a logistic regression-mediated model, effectively capturing diverse learning patterns. The experimental results demonstrate that the proposed model achieves high predictive performance, with an accuracy of 99.64% on training data and 98.75% on testing data, with precision, recall, and F1-score all exceeding 98%. These findings highlight the effectiveness of ensemble learning in mental health analytics and underscore its potential for early detection and intervention strategies.
• Abstract（参考訳）: うつ病は、特に仕事に関連したストレス、財政的なプレッシャー、ライフスタイルの不均衡が幸福感の悪化に寄与するプロの環境において、重要なメンタルヘルス上の関心事である。 意識の高まりにもかかわらず、研究者や実践者は、精神疾患の正確で一般化可能な予測モデルを開発する上で、重要な課題に直面している。 伝統的な分類手法は、労働ストレス、睡眠パターン、仕事の満足度など、多面的、相互依存的な要因に影響されるため、うつ病の複雑さに苦しむことが多い。 本研究は,プロの抑うつ分類の予測精度を向上させるため,積み重ね型アンサンブル学習手法を提案することにより,これらの課題に対処する。 Depression Professional DatasetはKaggleから収集されたものだ。 このデータセットは、人口統計学的、職業的、ライフスタイル的な特性からなり、精神的な幸福に影響を及ぼす。 我々の積み重ねモデルは,複数の基礎学習者をロジスティック回帰モデルと統合し,多様な学習パターンを効果的に捉える。 実験の結果,提案モデルでは,トレーニングデータに99.64%,テストデータに98.75%,精度,リコール,F1スコアが98%を超え,高い予測性能が得られた。 これらの知見は、メンタルヘルス分析におけるアンサンブル学習の有効性を強調し、早期発見と介入戦略の可能性を強調した。

関連論文リスト

• MentalArena: Self-play Training of Language Models for Diagnosis and Treatment of Mental Health Disorders [59.515827458631975]
  メンタルヘルス障害は世界で最も深刻な病気の1つである。 プライバシーに関する懸念は、パーソナライズされた治療データのアクセシビリティを制限する。 MentalArenaは、言語モデルをトレーニングするためのセルフプレイフレームワークである。
  論文  参考訳（メタデータ） (2024-10-09T13:06:40Z)
• Assessing ML Classification Algorithms and NLP Techniques for Depression Detection: An Experimental Case Study [0.6524460254566905]
  うつ病は世界中で何百万人もの人々に影響を与えており、最も一般的な精神疾患の1つとなっている。 近年の研究では、機械学習(ML)と自然言語処理(NLP)のツールや技術がうつ病の診断に広く用いられていることが証明されている。 しかし, 外傷後ストレス障害 (PTSD) などの他の症状が存在するうつ病検出アプローチの評価には, 依然としていくつかの課題がある。
  論文  参考訳（メタデータ） (2024-04-03T19:45:40Z)
• Computational Analysis of Stress, Depression and Engagement in Mental Health: A Survey [62.31381724639944]
  ストレスと抑うつは相互に関連し、共に日々のタスクにおけるエンゲージメントに影響を与える。 この調査は、ストレス、抑うつ、エンゲージメントを分析する計算手法を同時に探求した最初のものである。
  論文  参考訳（メタデータ） (2024-03-09T11:16:09Z)
• PsychoGAT: A Novel Psychological Measurement Paradigm through Interactive Fiction Games with LLM Agents [68.50571379012621]
  心理的な測定は、精神健康、自己理解、そして個人の発達に不可欠である。 心理学ゲームAgenT(サイコガト)は、信頼性、収束妥当性、差別的妥当性などの心理学的指標において統計的に有意な卓越性を達成している。
  論文  参考訳（メタデータ） (2024-02-19T18:00:30Z)
• Exploration of Adolescent Depression Risk Prediction Based on Census Surveys and General Life Issues [7.774933303698165]
  青年期におけるうつ病の頻度は着実に増加している。 尺度や面接に依存する従来の診断方法は、特に若者のうつ病を検出するには不十分である。 本研究では,高度不均衡な高次元データを管理する手法と,データ構造特性に合わせた適応予測手法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T09:14:25Z)
• 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)
• Handwriting and Drawing for Depression Detection: A Preliminary Study [53.11777541341063]
  精神健康に対する短期的コビデンスの影響は、不安や抑うつ症状の顕著な増加であった。 本研究の目的は、健康な人とうつ病患者を識別するために、オンライン手書き・図面解析という新しいツールを使用することである。
  論文  参考訳（メタデータ） (2023-02-05T22:33:49Z)
• 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)
• Deep Multi-task Learning for Depression Detection and Prediction in Longitudinal Data [50.02223091927777]
  うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。 機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。 本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-05T05:14:14Z)

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。