論文の概要: LENS: LLM-Enabled Narrative Synthesis for Mental Health by Aligning Multimodal Sensing with Language Models

• arxiv url: http://arxiv.org/abs/2512.23025v1
• Date: Sun, 28 Dec 2025 18:00:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.326898
• Title: LENS: LLM-Enabled Narrative Synthesis for Mental Health by Aligning Multimodal Sensing with Language Models
• Title（参考訳）: LENS:多モードセンシングと言語モデルによるメンタルヘルスのためのLLM型ナラティブ合成
• Authors: Wenxuan Xu, Arvind Pillai, Subigya Nepal, Amanda C Collins, Daniel M Mackin, Michael V Heinz, Tess Z Griffin, Nicholas C Jacobson, Andrew Campbell,
• Abstract要約: LENSは、マルチモーダルセンシングデータを言語モデルと整合させてメンタルヘルスの物語を生成するフレームワークである。 LENSは、うつ病や不安症状に関連する反応を自然言語記述に変換することで、大規模なデータセットを構築する。 以上の結果から, LENSは標準NLP測定値と, 症状重度精度のタスク特異的測定値において, 高いベースラインを達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 5.041844772782674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal health sensing offers rich behavioral signals for assessing mental health, yet translating these numerical time-series measurements into natural language remains challenging. Current LLMs cannot natively ingest long-duration sensor streams, and paired sensor-text datasets are scarce. To address these challenges, we introduce LENS, a framework that aligns multimodal sensing data with language models to generate clinically grounded mental-health narratives. LENS first constructs a large-scale dataset by transforming Ecological Momentary Assessment (EMA) responses related to depression and anxiety symptoms into natural-language descriptions, yielding over 100,000 sensor-text QA pairs from 258 participants. To enable native time-series integration, we train a patch-level encoder that projects raw sensor signals directly into an LLM's representation space. Our results show that LENS outperforms strong baselines on standard NLP metrics and task-specific measures of symptom-severity accuracy. A user study with 13 mental-health professionals further indicates that LENS-produced narratives are comprehensive and clinically meaningful. Ultimately, our approach advances LLMs as interfaces for health sensing, providing a scalable path toward models that can reason over raw behavioral signals and support downstream clinical decision-making.
• Abstract（参考訳）: マルチモーダルヘルスセンシングは、メンタルヘルスを評価するための豊富な行動信号を提供するが、これらの数値的な時系列測定を自然言語に翻訳することは依然として困難である。 現在のLLMは、長周期センサストリームをネイティブに取り込みはせず、ペア化されたセンサーテキストデータセットは少ない。 これらの課題に対処するため,我々は,マルチモーダルセンシングデータを言語モデルと整合させるフレームワークであるLENSを紹介した。 LENSはまず、うつ病や不安症状に関連するEMA(Ecological Momentary Assessment)応答を自然言語記述に変換することで、大規模なデータセットを構築し、258人の参加者から100,000以上のセンサテキストQAペアを得る。 ネイティブな時系列統合を実現するために,LLMの表現空間に直接生のセンサ信号を投影するパッチレベルエンコーダを訓練する。 以上の結果から, LENSは標準NLP測定値と, 症状重度精度のタスク特異的測定値において, 高いベースラインを達成できることが示唆された。 13人のメンタルヘルス専門家によるユーザスタディは、LENSが作り出した物語は包括的で臨床的に有意義であることを示している。 最終的に、我々のアプローチは、LLMを健康検知のためのインターフェースとして前進させ、生の行動シグナルを推論し、下流の臨床的意思決定をサポートするモデルへのスケーラブルな経路を提供する。

関連論文リスト

• Visualizing token importance for black-box language models [48.747801442240565]
  我々は,ブラックボックスの大規模言語モデル(LLM)を監査して,本運用環境にデプロイした場合に確実に動作させるという課題を考察する。 本稿では,各入力トークンに対する言語モデルの出力の感度を評価するために,分布ベース感性分析(DBSA)を提案する。
  論文  参考訳（メタデータ） (2025-12-12T14:01:43Z)
• Exploring LLM-based Frameworks for Fault Diagnosis [2.2562573557834686]
  大規模言語モデル(LLM)に基づくシステムは,センサリッチ産業環境における自律型健康モニタリングの新たな機会を提供する。 本研究では,LLMがセンサデータから直接障害を検出し,分類すると同時に,自然言語の推論を通じて本質的に説明可能なアウトプットを生成する可能性について検討する。
  論文  参考訳（メタデータ） (2025-09-27T04:53:15Z)
• SensorLM: Learning the Language of Wearable Sensors [50.95988682423808]
  本稿では,自然言語によるウェアラブルセンサデータ理解を可能にするセンサ言語基盤モデルのファミリーであるSensorLMを紹介する。 本稿では,センサデータから統計的,構造的,意味的な情報を収集する階層的なキャプション生成パイプラインを提案する。 このアプローチにより、これまでで最大のセンサー言語データセットのキュレーションが可能となり、103,000人以上から5970万時間以上のデータを収集した。
  論文  参考訳（メタデータ） (2025-06-10T17:13:09Z)
• PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
  LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
  論文  参考訳（メタデータ） (2025-05-06T15:18:38Z)
• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• SensorLLM: Aligning Large Language Models with Motion Sensors for Human Activity Recognition [13.796942110105313]
  本研究では,Large Language Models(LLM)がセンサ時系列データからHAR(Human Activity Recognition)を実現するためのフレームワークであるSensorLLMを紹介する。 SensorLLMはSensor-Language Alignmentステージを通じて制限に対処する。 その後のタスク・アウェア・チューニングの段階では、HAR分類のモデルを洗練し、最先端の手法に適合または超越した性能を達成する。
  論文  参考訳（メタデータ） (2024-10-14T15:30:41Z)
• MuSR: Testing the Limits of Chain-of-thought with Multistep Soft Reasoning [63.80739044622555]
  自然言語ナラティブで指定されたソフト推論タスクの言語モデルを評価するデータセットである MuSR を紹介する。 このデータセットには2つの重要な特徴がある。まず、ニューロシンボリック合成-自然生成アルゴリズムによって生成される。 第二に、私たちのデータセットインスタンスは、実世界の推論の領域に対応する無料のテキスト物語です。
  論文  参考訳（メタデータ） (2023-10-24T17:59:20Z)

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。