論文の概要: SynSym: A Synthetic Data Generation Framework for Psychiatric Symptom Identification

• arxiv url: http://arxiv.org/abs/2603.21529v1
• Date: Mon, 23 Mar 2026 03:41:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.466818
• Title: SynSym: A Synthetic Data Generation Framework for Psychiatric Symptom Identification
• Title（参考訳）: SynSym:精神症状識別のための合成データ生成フレームワーク
• Authors: Migyeong Kang, Jihyun Kim, Hyolim Jeon, Sunwoo Hwang, Jihyun An, Yonghoon Kim, Haewoon Kwak, Jisun An, Jinyoung Han,
• Abstract要約: ソーシャルメディア上での精神症状の特定は、ユーザーが作成した投稿からきめ細かいメンタルヘルス症状を推測することを目的としている。 大規模な症状レベルデータセットの構築は、エキスパートラベリングの資源集約性のため、依然として困難である。 症状識別のための一般化可能なデータセットを構築するための合成データ生成フレームワークであるSynSymを提案する。
• 参考スコア（独自算出の注目度）: 11.564365530601536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Psychiatric symptom identification on social media aims to infer fine-grained mental health symptoms from user-generated posts, allowing a detailed understanding of users' mental states. However, the construction of large-scale symptom-level datasets remains challenging due to the resource-intensive nature of expert labeling and the lack of standardized annotation guidelines, which in turn limits the generalizability of models to identify diverse symptom expressions from user-generated text. To address these issues, we propose SynSym, a synthetic data generation framework for constructing generalizable datasets for symptom identification. Leveraging large language models (LLMs), SynSym constructs high-quality training samples by (1) expanding each symptom into sub-concepts to enhance the diversity of generated expressions, (2) producing synthetic expressions that reflect psychiatric symptoms in diverse linguistic styles, and (3) composing realistic multi-symptom expressions, informed by clinical co-occurrence patterns. We validate SynSym on three benchmark datasets covering different styles of depressive symptom expression. Experimental results demonstrate that models trained solely on the synthetic data generated by SynSym perform comparably to those trained on real data, and benefit further from additional fine-tuning with real data. These findings underscore the potential of synthetic data as an alternative resource to real-world annotations in psychiatric symptom modeling, and SynSym serves as a practical framework for generating clinically relevant and realistic symptom expressions.
• Abstract（参考訳）: ソーシャルメディア上での精神症状の特定は、ユーザーが作成した投稿からきめ細かいメンタルヘルス症状を推測することを目的としており、ユーザーの精神状態の詳細な理解を可能にする。 しかし、専門家ラベル付けの資源集約性や標準化されたアノテーションガイドラインの欠如により、大規模な症状レベルのデータセットの構築は依然として困難であり、結果として、ユーザ生成テキストから多様な症状表現を識別するためのモデルの一般化性が制限されている。 このような問題に対処するために、シンシムは、症状識別のための一般化可能なデータセットを構築するための合成データ生成フレームワークである。 大規模言語モデル(LLM)を用いて,(1)各症状をサブコンセプトに拡張し,生成した表現の多様性を高める,(2)多様な言語様式の精神症状を反映する合成表現を生成する,(3)臨床共起パターンによって情報を得る,現実的な多症状表現を構成する,高品質なトレーニングサンプルを構築する。 抑うつ症状表現の異なるスタイルをカバーする3つのベンチマークデータセット上でSynSymを検証する。 実験結果から、SynSymが生成した合成データのみに基づいてトレーニングしたモデルは、実データでトレーニングしたモデルと同等に動作し、実データによるさらなる微調整の恩恵を受けることが示された。 これらの知見は、精神症状モデリングにおける現実のアノテーションに代わるリソースとしての合成データの可能性を浮き彫りにし、SynSymは臨床的に関連性があり現実的な症状表現を生成するための実践的な枠組みとして機能する。

関連論文リスト

• The Intricate Dance of Prompt Complexity, Quality, Diversity, and Consistency in T2I Models [12.156662936278751]
  テキスト・ツー・イメージ(T2I)モデルは、無限の合成データを作成する大きな可能性を提供します。 これまでの研究は、T2Iモデルの3つの重要なデシダータ(品質、多様性、一貫性)における合成データの有用性を評価してきた。 実データと合成データの有用性を比較するための新しい評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-22T13:13:27Z)
• Understanding the Influence of Synthetic Data for Text Embedders [52.04771455432998]
  まず,Wangらによって提案された合成データの再生と公開を行った。 合成データがモデル一般化をどのように改善するかを批判的に検討する。 本研究は, 汎用インバータ構築における, 現在の合成データ手法の限界を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-09-07T19:28:52Z)
• DualAlign: Generating Clinically Grounded Synthetic Data [9.87164447021602]
  両アライメントによる統計的忠実度と臨床的妥当性を高めるフレームワークであるDualAlignを紹介する。 アルツハイマー病(AD)をケーススタディとして、DualAlignは文脈的症状レベルの文章を生成する。 LLaMA 3.1-8BモデルとDualAlign生成データと人間アノテーションデータの組み合わせを微調整すると、大幅な性能向上が得られる。
  論文  参考訳（メタデータ） (2025-09-05T18:04:38Z)
• SynBrain: Enhancing Visual-to-fMRI Synthesis via Probabilistic Representation Learning [54.390403684665834]
  視覚刺激が皮質反応にどのように変換されるかを理解することは、計算神経科学の基本的な課題である。 視覚的意味論から神経反応への変換を確率的かつ生物学的に解釈可能な方法でシミュレートする生成フレームワークであるSynBrainを提案する。 実験結果から,SynBrainは被写体特異的視覚-fMRI符号化性能において最先端の手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-08-14T03:01:05Z)
• SynFER: Towards Boosting Facial Expression Recognition with Synthetic Data [78.70620682374624]
  ハイレベルなテキスト記述に基づく表情画像データの合成のための新しいフレームワークであるSynFERを紹介する。 合成データの質と信頼性を確保するため,セマンティックガイダンス手法と擬似ラベル生成手法を提案する。 その結果, 提案手法の有効性と合成データの有効性が検証された。
  論文  参考訳（メタデータ） (2024-10-13T14:58:21Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)

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。