論文の概要: A Comparative Study of Traditional Machine Learning, Deep Learning, and Large Language Models for Mental Health Forecasting using Smartphone Sensing Data

• arxiv url: http://arxiv.org/abs/2601.03603v1
• Date: Wed, 07 Jan 2026 05:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.277189
• Title: A Comparative Study of Traditional Machine Learning, Deep Learning, and Large Language Models for Mental Health Forecasting using Smartphone Sensing Data
• Title（参考訳）: スマートフォンセンシングデータを用いたメンタルヘルス予測のための伝統的な機械学習・ディープラーニング・大規模言語モデルの比較研究
• Authors: Kaidong Feng, Zhu Sun, Roy Ka-Wei Lee, Xun Jiang, Yin-Leng Theng, Yi Ding,
• Abstract要約: 従来の機械学習(ML)、ディープラーニング(DL)、およびメンタルヘルス予測のための大規模言語モデル(LLM)のアプローチを比較した。 以上の結果から, DLモデル, 特に Transformer (Macro-F1 = 0.58) は, 全体的な性能が最高であることがわかった。 この研究は、次世代で適応的で人間中心のメンタルヘルス技術の基礎となる。
• 参考スコア（独自算出の注目度）: 19.545389949176503
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Smartphone sensing offers an unobtrusive and scalable way to track daily behaviors linked to mental health, capturing changes in sleep, mobility, and phone use that often precede symptoms of stress, anxiety, or depression. While most prior studies focus on detection that responds to existing conditions, forecasting mental health enables proactive support through Just-in-Time Adaptive Interventions. In this paper, we present the first comprehensive benchmarking study comparing traditional machine learning (ML), deep learning (DL), and large language model (LLM) approaches for mental health forecasting using the College Experience Sensing (CES) dataset, the most extensive longitudinal dataset of college student mental health to date. We systematically evaluate models across temporal windows, feature granularities, personalization strategies, and class imbalance handling. Our results show that DL models, particularly Transformer (Macro-F1 = 0.58), achieve the best overall performance, while LLMs show strength in contextual reasoning but weaker temporal modeling. Personalization substantially improves forecasts of severe mental health states. By revealing how different modeling approaches interpret phone sensing behavioral data over time, this work lays the groundwork for next-generation, adaptive, and human-centered mental health technologies that can advance both research and real-world well-being.
• Abstract（参考訳）: スマートフォンのセンサーは、メンタルヘルスに関連する日々の行動を追跡し、ストレス、不安、うつ病の症状に先行する睡眠、移動、電話の使用の変化を捉える、邪魔にならない、スケーラブルな方法を提供する。 多くの先行研究は、既存の状況に反応する検出に焦点を当てているが、メンタルヘルスの予測は、ジャスト・イン・タイム・アダプティブ・インターベンション(Just-in-Time Adaptive Interventions)を通じて積極的に支援することができる。 本稿では,従来の機械学習(ML),深層学習(DL),大規模言語モデル(LLM)によるメンタルヘルス予測のアプローチを,大学生のメンタルヘルスの最も広範囲にわたるデータセットである大学経験センシング(CES)データセットを用いて比較した。 時間的ウィンドウ、特徴の粒度、パーソナライズ戦略、クラス不均衡処理のモデルについて体系的に評価する。 以上の結果から,DLモデル,特に Transformer (Macro-F1 = 0.58) は,文脈的推論では強みを示すが,時間的モデリングでは弱い。 パーソナライゼーションは重度のメンタルヘルス状態の予測を大幅に改善する。 この研究によって、次世代、適応型、人間中心のメンタルヘルス技術の基礎が築かれ、研究と現実の幸福の両方を前進させます。

関連論文リスト

• Predicting and Understanding College Student Mental Health with Interpretable Machine Learning [4.136180468780605]
  パーソナライズされたmEntalヘルス予測のための最初の解釈可能な階層型mOdelであるI-HOPEを提案する。 I-HOPEは、相互作用ラベルとして定義された5つの行動カテゴリーを通して、生の行動特徴とメンタルヘルスの状態を結合する2段階の階層モデルである。 I-HOPEは,過去最長のモバイルセンシングデータセットであるCollege Experience Studyで評価する。このデータセットは5年間にわたって,パンデミック前と新型コロナウイルスパンデミック前の両方のデータをキャプチャする。
  論文  参考訳（メタデータ） (2025-03-11T03:07:37Z)
• Early Detection of Mental Health Issues Using Social Media Posts [0.0]
  Redditのようなソーシャルメディアプラットフォームは、ユーザー生成コンテンツの豊富なソースを表している。 メンタルヘルス危機の早期発見に言語的特徴と時間的特徴を統合したマルチモーダルディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-06T23:08:08Z)
• Neuron-based Personality Trait Induction in Large Language Models [115.08894603023712]
  大規模言語モデル (LLM) は、様々な性格特性をシミュレートする能力が増している。 LLMにおけるパーソナリティ特性誘導のためのニューロンに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-16T07:47:45Z)
• Leveraging LLMs to Predict Affective States via Smartphone Sensor Features [6.1930355276269875]
  デジタル表現型は、行動やメンタルヘルスを推測するために、パーソナルデジタルデバイスからデータを収集して分析する。 大型言語モデル(LLM)の出現は、スマートフォンのセンシングデータを理解するための新しいアプローチを提供する。 本研究は, 大学生のスマートフォンセンシングデータに基づいて, LLMを用いて影響を予測し, このギャップを埋めることを目的とする。
  論文  参考訳（メタデータ） (2024-07-11T07:37:52Z)
• Evaluating Large Language Models with Psychometrics [59.821829073478376]
  本稿では,Large Language Models (LLMs) の心理的構造を定量化するための総合的ベンチマークを提案する。 私たちの研究は、13のデータセットで評価された5つの重要な心理的構成要素、人格、価値観、感情的知性、心の理論、自己効力性を特定します。 LLMの自己報告特性と実際のシナリオにおける応答パターンとの間に大きな相違が発見され,その挙動の複雑さが明らかになった。
  論文  参考訳（メタデータ） (2024-06-25T16:09:08Z)
• Machine Psychology [54.287802134327485]
  我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。 本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。 これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
  論文  参考訳（メタデータ） (2023-03-24T13:24:41Z)
• 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)
• Objective Prediction of Tomorrow's Affect Using Multi-Modal Physiological Data and Personal Chronicles: A Study of Monitoring College Student Well-being in 2020 [0.0]
  本研究の目的は、複数の商用機器を用いて、完全自動的かつ客観的なアプローチにより、影響をより正確に予測する能力を検討することである。 1年以上にわたり、スマートウェアラブルと携帯電話を使用した大学生のサンプルから、縦断的生理データと毎日の感情評価を収集した。 その結果,本モデルでは,技術手法に匹敵する精度で,翌日への影響を予測することができた。
  論文  参考訳（メタデータ） (2022-01-26T23:06:20Z)
• 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)
• 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)
• MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
  ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。 我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
  論文  参考訳（メタデータ） (2020-11-17T15:18:38Z)

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。