論文の概要: A Multi-Stage Large Language Model Framework for Extracting Suicide-Related Social Determinants of Health
- arxiv url: http://arxiv.org/abs/2508.05003v1
- Date: Thu, 07 Aug 2025 03:36:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-08 18:59:39.698385
- Title: A Multi-Stage Large Language Model Framework for Extracting Suicide-Related Social Determinants of Health
- Title（参考訳）: 自殺関連社会要因を抽出する多段階大規模言語モデルフレームワーク
- Authors: Song Wang, Yishu Wei, Haotian Ma, Max Lovitt, Kelly Deng, Yuan Meng, Zihan Xu, Jingze Zhang, Yunyu Xiao, Ying Ding, Xuhai Xu, Joydeep Ghosh, Yifan Peng,
- Abstract要約: 自殺事件に寄与する社会的健康決定因子(SDoH)は早期介入や予防に不可欠である。
構造化されていないテキストからSDoH因子を抽出する多段階大規模言語モデルフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 28.066261773189865
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Understanding social determinants of health (SDoH) factors contributing to suicide incidents is crucial for early intervention and prevention. However, data-driven approaches to this goal face challenges such as long-tailed factor distributions, analyzing pivotal stressors preceding suicide incidents, and limited model explainability. Methods: We present a multi-stage large language model framework to enhance SDoH factor extraction from unstructured text. Our approach was compared to other state-of-the-art language models (i.e., pre-trained BioBERT and GPT-3.5-turbo) and reasoning models (i.e., DeepSeek-R1). We also evaluated how the model's explanations help people annotate SDoH factors more quickly and accurately. The analysis included both automated comparisons and a pilot user study. Results: We show that our proposed framework demonstrated performance boosts in the overarching task of extracting SDoH factors and in the finer-grained tasks of retrieving relevant context. Additionally, we show that fine-tuning a smaller, task-specific model achieves comparable or better performance with reduced inference costs. The multi-stage design not only enhances extraction but also provides intermediate explanations, improving model explainability. Conclusions: Our approach improves both the accuracy and transparency of extracting suicide-related SDoH from unstructured texts. These advancements have the potential to support early identification of individuals at risk and inform more effective prevention strategies.
- Abstract（参考訳）: 背景: 自殺事件に寄与する社会的健康決定因子(SDoH)の理解は早期介入や予防に不可欠である。
しかし、この目標に対するデータ駆動型アプローチは、長い尾の要素分布、自殺事故前の重要なストレス要因の分析、モデル説明可能性の制限といった課題に直面している。
方法: 構造化されていないテキストからSDoH因子を抽出する多段階大規模言語モデルフレームワークを提案する。
我々のアプローチは他の最先端言語モデル(BioBERTとGPT-3.5-turbo)や推論モデル(DeepSeek-R1)と比較した。
また,SDoH因子をより迅速かつ正確にアノテートする方法も検討した。
この分析には、自動比較とパイロットユーザースタディの両方が含まれていた。
結果: 提案手法は, SDoH因子の抽出作業における性能向上と, 関連するコンテキストを抽出する細粒度タスクにおいて, 性能向上を示すことを示した。
さらに,タスク固有モデルの微調整により,推論コストを低減して同等あるいはより良い性能が得られることを示す。
マルチステージ設計は抽出を向上するだけでなく、中間的な説明も提供し、モデル説明性を向上させる。
結論:本手法は,未構造化テキストから自殺関連SDoHを抽出する精度と透明性を両立させる。
これらの進歩は、リスクのある個人を早期に識別し、より効果的な予防戦略を通知する可能性を秘めている。
関連論文リスト
- Preference Learning for AI Alignment: a Causal Perspective [55.2480439325792]
私たちはこの問題を因果パラダイムに枠組み化し、永続的な課題を特定するための因果関係の豊富なツールボックスを提供します。
因果推論の文献を継承し、信頼性の高い一般化に必要な重要な仮定を特定する。
そこで本研究では, 因果関係に基づくアプローチがモデルロバスト性をいかに改善するかを, ナイーブ報酬モデルの障害モードを例示する。
論文 参考訳（メタデータ） (2025-06-06T10:45:42Z) - BenSParX: A Robust Explainable Machine Learning Framework for Parkinson's Disease Detection from Bengali Conversational Speech [0.7623426349237178]
パーキンソン病(PD)は世界的な健康問題を引き起こし、バングラデシュではPD死亡率が顕著に上昇している。
PD検出のための最初のベンガル会話音声データセットであるBenSparXについて述べる。
また、早期診断に適した堅牢で説明可能な機械学習フレームワークも提示する。
論文 参考訳（メタデータ） (2025-05-18T01:58:36Z) - Causality can systematically address the monsters under the bench(marks) [64.36592889550431]
ベンチマークはさまざまなバイアス、アーティファクト、リークに悩まされている。
モデルは、調査の不十分な障害モードのため、信頼できない振る舞いをする可能性がある。
因果関係はこれらの課題を体系的に解決するための 理想的な枠組みを提供します
論文 参考訳（メタデータ） (2025-02-07T17:01:37Z) - Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。
本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。
我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
論文 参考訳（メタデータ） (2024-09-24T14:52:14Z) - Prompting or Fine-tuning? Exploring Large Language Models for Causal Graph Validation [0.0]
本研究では,因果グラフの因果性を評価するための大規模言語モデルの有用性について検討する。
本研究では,(1)ゼロショットと少数ショットの因果推論のためのプロンプトベース手法,(2)因果関係予測タスクのための微調整言語モデルの比較を行った。
論文 参考訳（メタデータ） (2024-05-29T09:06:18Z) - DPP-Based Adversarial Prompt Searching for Lanugage Models [56.73828162194457]
Auto-Regressive Selective Replacement Ascent (ASRA)は、決定点プロセス(DPP)と品質と類似性の両方に基づいてプロンプトを選択する離散最適化アルゴリズムである。
6種類の事前学習言語モデルに対する実験結果から,ASRAによる有害成分の抽出の有効性が示された。
論文 参考訳（メタデータ） (2024-03-01T05:28:06Z) - Black-box Adversarial Attacks against Dense Retrieval Models: A
Multi-view Contrastive Learning Method [115.29382166356478]
本稿では,敵探索攻撃(AREA)タスクを紹介する。
DRモデルは、DRモデルによって取得された候補文書の初期セットの外側にあるターゲット文書を取得するように、DRモデルを騙すことを目的としている。
NRM攻撃で報告された有望な結果は、DRモデルに一般化されない。
マルチビュー表現空間における対照的な学習問題として,DRモデルに対する攻撃を形式化する。
論文 参考訳（メタデータ） (2023-08-19T00:24:59Z) - PEARL: Preprocessing Enhanced Adversarial Robust Learning of Image
Deraining for Semantic Segmentation [42.911517493220664]
本稿では,異なる種類の分解因子を同時に扱うことにより,意味的セグメンテーションタスクの堅牢性を向上させるための最初の試みを示す。
本手法は,画像デラインモデルにセグメンテーションモデルのロバスト性を移すことにより,雨害と逆流の両面を効果的に処理する。
PEARLフレームワークのトレーニングに先立って,補助鏡攻撃(AMA)を設計し,肯定的な情報を導入する。
論文 参考訳（メタデータ） (2023-05-25T04:44:17Z) - CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。
このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。
ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
論文 参考訳（メタデータ） (2022-12-20T18:31:50Z) - SAIS: Supervising and Augmenting Intermediate Steps for Document-Level
Relation Extraction [51.27558374091491]
本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。
そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
論文 参考訳（メタデータ） (2021-09-24T17:37:35Z)
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。