論文の概要: ReDepress: A Cognitive Framework for Detecting Depression Relapse from Social Media

• arxiv url: http://arxiv.org/abs/2509.17991v1
• Date: Mon, 22 Sep 2025 16:33:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.505488
• Title: ReDepress: A Cognitive Framework for Detecting Depression Relapse from Social Media
• Title（参考訳）: ReDepress: ソーシャルメディアからうつ病の再発を検出するための認知フレームワーク
• Authors: Aakash Kumar Agarwal, Saprativa Bhattacharjee, Mauli Rastogi, Jemima S. Jacob, Biplab Banerjee, Rashmi Gupta, Pushpak Bhattacharyya,
• Abstract要約: ReDepressは、リラプスに焦点を当てた最初の臨床的に検証されたソーシャルメディアデータセットである。 我々の枠組みはうつ病の認知理論に基づいており、注意バイアス、解釈バイアス、記憶バイアス、反省などの構造を取り入れている。 本研究は, 実世界のテキストデータにおける心理学的理論を検証し, 早期再発検出のための認知インフォームド・コンピューティング手法の可能性を明らかにするものである。
• 参考スコア（独自算出の注目度）: 48.56586765769052
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Almost 50% depression patients face the risk of going into relapse. The risk increases to 80% after the second episode of depression. Although, depression detection from social media has attained considerable attention, depression relapse detection has remained largely unexplored due to the lack of curated datasets and the difficulty of distinguishing relapse and non-relapse users. In this work, we present ReDepress, the first clinically validated social media dataset focused on relapse, comprising 204 Reddit users annotated by mental health professionals. Unlike prior approaches, our framework draws on cognitive theories of depression, incorporating constructs such as attention bias, interpretation bias, memory bias and rumination into both annotation and modeling. Through statistical analyses and machine learning experiments, we demonstrate that cognitive markers significantly differentiate relapse and non-relapse groups, and that models enriched with these features achieve competitive performance, with transformer-based temporal models attaining an F1 of 0.86. Our findings validate psychological theories in real-world textual data and underscore the potential of cognitive-informed computational methods for early relapse detection, paving the way for scalable, low-cost interventions in mental healthcare.
• Abstract（参考訳）: 約50%のうつ病患者が再発のリスクに直面している。 うつ病の第2話の後、リスクは80%まで上昇する。 ソーシャルメディアからのうつ病検出は注目されているが、治療されたデータセットの欠如と、再発と非再発を区別することの難しさにより、うつ病の再発検出は未解明のままである。 本研究では,精神保健専門家がアノテートしたRedditユーザ204名を対象に,臨床に検証された最初のソーシャルメディアデータセットであるReDepressについて紹介する。 従来のアプローチとは異なり、我々のフレームワークは、注意バイアス、解釈バイアス、記憶バイアス、ラミネートといった構造をアノテーションとモデリングの両方に組み込んで、うつ病の認知理論を取り入れている。 統計的解析と機械学習実験により,認知マーカーが再学習群と非再学習群とを著しく区別し,これらの特徴に富んだモデルがF1の0.86となる変圧器ベース時間モデルを用いて競合性能を達成することを示した。 本研究は, 現実のテキストデータにおける心理学的理論を検証し, 心的医療におけるスケーラブルで低コストな介入の道を開く, 早期再発検出のための認知インフォームド・コンピューティング手法の可能性を明らかにするものである。

関連論文リスト

• Measuring Anxiety Levels with Head Motion Patterns in Severe Depression Population [4.310167974376404]
  本研究では,頭部の動きを解析して不安度を定量化する新しい非侵襲的手法を提案する。 臨床的に評価された不安レベルを予測するため,頭部運動特性と回帰分析を適用した。 その結果,心理的不安の重症度を予測する上で,平均絶対誤差(MAE)が0.35と高い精度を示した。
  論文  参考訳（メタデータ） (2025-02-12T21:55:26Z)
• 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)
• Towards More Efficient Depression Risk Recognition via Gait [12.28595811609976]
  うつ病は世界中で2億8000万人を超える人に影響を及ぼす。早期発見とタイムリーな介入は、再発の促進、再発の防止、うつ病に伴う感情的・財政的負担の軽減に不可欠である。 歩行とうつ病リスクの相関が実証的に確立されている。 この研究はまず、1200人以上の個人、40,000人の歩行シーケンスを含む大規模な歩行データベースを構築し、6つの視点と3種類の服装をカバーした。 深層学習に基づくうつ病リスク認識モデルを提案し,手作りアプローチの限界を克服した。
  論文  参考訳（メタデータ） (2023-10-10T03:34:31Z)
• The Relationship Between Speech Features Changes When You Get Depressed: Feature Correlations for Improving Speed and Performance of Depression Detection [69.88072583383085]
  この研究は、抑うつが音声から抽出した特徴間の相関を変化させることを示す。 このような洞察を用いることで、SVMとLSTMに基づく抑うつ検出器のトレーニング速度と性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-07-06T09:54:35Z)
• What Symptoms and How Long? An Interpretable AI Approach for Depression Detection in Social Media [0.5156484100374058]
  うつ病は最も一般的で深刻な精神疾患であり、重大な財政的・社会的影響をもたらす。 本研究は、ソーシャルメディアにおける抑うつ検出のための新しい解釈可能な深層学習モデルを用いて、IS文献に寄与する。
  論文  参考訳（メタデータ） (2023-05-18T20:15:04Z)
• 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)
• Data set creation and empirical analysis for detecting signs of depression from social media postings [0.0]
  うつ病は、深刻な結果を避けるために、早期に検出され治療されなければならない一般的な精神疾患である。 我々は、ソーシャルメディアの投稿から、うつ病のレベルが落ち込んでいないこと、中程度に落ち込んでいないこと、および深刻な落ち込んでいないことを検知する、金の標準データセットを開発した。
  論文  参考訳（メタデータ） (2022-02-07T10:24:33Z)
• 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。