論文の概要: Prompting Large Language Models to Detect Dementia Family Caregivers

• arxiv url: http://arxiv.org/abs/2508.01999v1
• Date: Mon, 04 Aug 2025 02:39:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.148435
• Title: Prompting Large Language Models to Detect Dementia Family Caregivers
• Title（参考訳）: 認知症家族介護者検出のための大規模言語モデルの提案
• Authors: Md Badsha Biswas, Özlem Uzuner,
• Abstract要約: 本稿では,SMM4H 2025共有タスク3について述べる。 認知症を持つ家族を持つ個人が投稿したつぶやきを検出することに焦点を当てている。 その結果,微調整モデル上での単純なゼロショットプロンプトが最良の結果となった。
• 参考スコア（独自算出の注目度）: 6.2877535713744885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social media, such as Twitter, provides opportunities for caregivers of dementia patients to share their experiences and seek support for a variety of reasons. Availability of this information online also paves the way for the development of internet-based interventions in their support. However, for this purpose, tweets written by caregivers of dementia patients must first be identified. This paper demonstrates our system for the SMM4H 2025 shared task 3, which focuses on detecting tweets posted by individuals who have a family member with dementia. The task is outlined as a binary classification problem, differentiating between tweets that mention dementia in the context of a family member and those that do not. Our solution to this problem explores large language models (LLMs) with various prompting methods. Our results show that a simple zero-shot prompt on a fine-tuned model yielded the best results. Our final system achieved a macro F1-score of 0.95 on the validation set and the test set. Our full code is available on GitHub.
• Abstract（参考訳）: Twitterなどのソーシャルメディアは、認知症患者の介護者が自身の経験を共有し、さまざまな理由で支援を求める機会を提供する。 オンライン情報の提供はまた、インターネットベースの介入の開発支援の道を開く。 しかし、この目的のためには、まず認知症患者の介護者が書いたつぶやきを特定する必要がある。 本稿では,認知症家族のつぶやきを検知するSMM4H 2025共有タスク3を提案する。 このタスクは、認知症に言及するツイートを家族の文脈で言及するツイートと、そうでないツイートを区別するバイナリ分類問題として概説されている。 この問題に対する我々の解決策は、様々なプロンプト法による大規模言語モデル(LLM)を探索する。 その結果,微調整モデル上での単純なゼロショットプロンプトが最良の結果となった。 最終システムは検証セットとテストセットで0.95のマクロF1スコアを達成した。 完全なコードはGitHubで入手可能です。

関連論文リスト

• Can ChatGPT Diagnose Alzheimer's Disease? [21.67998806043568]
  アルツハイマー病(英: Alzheimer's Disease、AD)は、65歳以上の9人に1人程度が発症する、壊滅的な神経変性疾患である。 本稿では、磁気共鳴イメージング(MRI)と認知テストから得られた9300個の電子健康記録を利用して、興味深い問題に対処する: ChatGPTは、EHRを用いてADを正確に検出できるか? ゼロショット法とマルチショット法を併用したブラックボックス手法を用いて,ChatGPTの詳細な評価を行う。
  論文  参考訳（メタデータ） (2025-02-10T02:41:08Z)
• Dementia Detection using Multi-modal Methods on Audio Data [1.5517328698216646]
  本稿では,患者の音声記録を用いて認知症の発症を予測するために開発されたモデルについて述べる。 音声ファイルからWhisperモデルを用いて書き起こしを生成し,RoBERTa回帰モデルを用いてMMSEスコアを生成するASRベースのモデルを開発した。 RMSEスコアは2.6911で、ベースラインよりも約10%低い。
  論文  参考訳（メタデータ） (2024-12-31T14:26:54Z)
• Devising a Set of Compact and Explainable Spoken Language Feature for Screening Alzheimer's Disease [52.46922921214341]
  アルツハイマー病(AD)は高齢化社会において最も重要な健康問題の一つとなっている。 我々は,大言語モデル(LLM)とTF-IDFモデルの視覚的機能を活用する,説明可能な効果的な機能セットを考案した。 当社の新機能は、自動ADスクリーニングの解釈可能性を高めるステップバイステップで説明し、解釈することができる。
  論文  参考訳（メタデータ） (2024-11-28T05:23:22Z)
• ThangDLU at #SMM4H 2024: Encoder-decoder models for classifying text data on social disorders in children and adolescents [49.00494558898933]
  本稿では,#SMM4H (Social Media Mining for Health) 2024 Workshopのタスク3とタスク5への参加について述べる。 タスク3は、屋外環境が社会不安の症状に与える影響を議論するツイートを中心にした多クラス分類タスクである。 タスク5は、子供の医学的障害を報告しているツイートに焦点を当てたバイナリ分類タスクを含む。 BART-baseやT5-smallのような事前訓練されたエンコーダデコーダモデルからの転送学習を適用し、与えられたツイートの集合のラベルを同定した。
  論文  参考訳（メタデータ） (2024-04-30T17:06:20Z)
• Uncertainty of Thoughts: Uncertainty-Aware Planning Enhances Information Seeking in Large Language Models [73.79091519226026]
  Uncertainty of Thoughts (UoT) は、大きな言語モデルを拡張するアルゴリズムであり、効果的な質問をすることで積極的に情報を求めることができる。 医療診断、トラブルシューティング、および20の質問ゲームに関する実験において、UoTは、タスク完了の成功率において平均38.1%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-02-05T18:28:44Z)
• Cross-lingual Alzheimer's Disease detection based on paralinguistic and pre-trained features [6.928826160866143]
  本稿ではICASSP-SPGC-2023 ADReSS-M Challenge Taskについて述べる。 この課題は、アルツハイマー病の予測のために、どの音響特徴を一般化し、言語間で伝達できるかを検討することである。 我々は、openSmileツールキットとXLSR-53を用いた音響特性を用いてパラ言語的特徴を抽出する。 本手法は分類タスクの69.6%の精度と回帰タスクの4.788の根平均二乗誤差(RMSE)を実現する。
  論文  参考訳（メタデータ） (2023-03-14T06:34:18Z)
• Goal Driven Discovery of Distributional Differences via Language Descriptions [58.764821647036946]
  大きなコーパスを採掘することは有用な発見をもたらすが、人間には時間がかかる。 我々は、ゴール駆動方式で2つの大きなコーパス間の差異を自動的に発見する新しいタスクD5を定式化する。 本稿では,OpenD5 の幅広い応用について,これまで不明な発見を著者に提示する。
  論文  参考訳（メタデータ） (2023-02-28T01:32:32Z)
• Semantic Similarity Models for Depression Severity Estimation [53.72188878602294]
  本稿では、ソーシャルメディアの文章に基づいて、個人のうつ病の重症度を研究するための効率的なセマンティックパイプラインを提案する。 我々は,抑うつ症状と重度レベルに対応する代表訓練文の指標に対して意味的ランキングを生成するために,テストユーザ文を使用する。 本手法を2つのRedditベースのベンチマークで評価し,うつ病の重症度を指標として,最先端技術よりも30%改善した。
  論文  参考訳（メタデータ） (2022-11-14T18:47:26Z)
• ML-Based Analysis to Identify Speech Features Relevant in Predicting Alzheimer's Disease [0.0]
  アルツハイマー病(AD)は世界中で約5000万人に影響を及ぼし、世界的な死因の1つとなっている。 MLモデルとニューラルネットワークの両方をトレーニングして、参加者の音声パターンに基づいて予測と分類を行いました。
  論文  参考訳（メタデータ） (2021-10-25T15:00:50Z)
• Explainable Identification of Dementia from Transcripts using Transformer Networks [0.0]
  アルツハイマー病(英語: Alzheimer's disease, AD)は、認知症の主要な原因であり、記憶喪失を伴い、時間通りに診断されない場合の日常生活に深刻な結果をもたらす可能性がある。 本稿では,2つのマルチタスク学習モデルを紹介し,主課題は認知症(バイナリ分類)の同定であり,補助課題は認知症の重症度(マルチクラス分類)の同定に対応する。 マルチタスク学習環境におけるAD患者検出の精度は84.99%である。
  論文  参考訳（メタデータ） (2021-09-14T21:49:05Z)
• 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)

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。