論文の概要: Enhancing Online Support Group Formation Using Topic Modeling Techniques

• arxiv url: http://arxiv.org/abs/2603.24765v1
• Date: Wed, 25 Mar 2026 19:37:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:47.965742
• Title: Enhancing Online Support Group Formation Using Topic Modeling Techniques
• Title（参考訳）: トピックモデリング技術を用いたオンライン支援グループ形成の促進
• Authors: Pronob Kumar Barman, Tera L. Reynolds, James Foulds,
• Abstract要約: 自動支援グループ形成のための2つの新しい機械学習モデルを提案する。 MedHelp.orgから,200万以上のユーザ投稿からなる大規模データセット上でモデルを評価した。
• 参考スコア（独自算出の注目度）: 3.558452956820138
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Online health communities (OHCs) are vital for fostering peer support and improving health outcomes. Support groups within these platforms can provide more personalized and cohesive peer support, yet traditional support group formation methods face challenges related to scalability, static categorization, and insufficient personalization. To overcome these limitations, we propose two novel machine learning models for automated support group formation: the Group specific Dirichlet Multinomial Regression (gDMR) and the Group specific Structured Topic Model (gSTM). These models integrate user generated textual content, demographic profiles, and interaction data represented through node embeddings derived from user networks to systematically automate personalized, semantically coherent support group formation. We evaluate the models on a large scale dataset from MedHelp.org, comprising over 2 million user posts. Both models substantially outperform baseline methods including LDA, DMR, and STM in predictive accuracy (held out log likelihood), semantic coherence (UMass metric), and internal group consistency. The gDMR model yields group covariates that facilitate practical implementation by leveraging relational patterns from network structures and demographic data. In contrast, gSTM emphasizes sparsity constraints to generate more distinct and thematically specific groups. Qualitative analysis further validates the alignment between model generated groups and manually coded themes, showing the practical relevance of the models in informing groups that address diverse health concerns such as chronic illness management, diagnostic uncertainty, and mental health. By reducing reliance on manual curation, these frameworks provide scalable solutions that enhance peer interactions within OHCs, with implications for patient engagement, community resilience, and health outcomes.
• Abstract（参考訳）: オンライン健康コミュニティ(OHC)は、ピアサポートの育成と健康改善に不可欠である。 これらのプラットフォーム内のサポートグループは、よりパーソナライズされ、結束的なピアサポートを提供することができるが、従来のサポートグループの形成方法は、スケーラビリティ、静的な分類、不十分なパーソナライゼーションに関連する課題に直面している。 これらの制約を克服するために,グループ固有ディリクレ多項回帰(gDMR)とグループ固有構造トピックモデル(gSTM)の2つの新しい機械学習モデルを提案する。 これらのモデルは、ユーザ生成したテキストコンテンツ、人口統計、およびユーザネットワークから派生したノード埋め込みを通して表現されるインタラクションデータを統合し、パーソナライズされたセマンティック・コヒーレントなサポートグループの形成を体系的に自動化する。 MedHelp.orgから,200万以上のユーザ投稿からなる大規模データセット上でモデルを評価した。 どちらのモデルも、LDA、DMR、STMなどのベースライン法を予測精度(対数可能性の保持)、セマンティック・コヒーレンス(UMassmetric)、内部群整合性(英語版)で大幅に上回っている。 gDMRモデルは、ネットワーク構造や人口統計データから関係パターンを活用することにより、実践的な実装を促進するグループ共変量を生成する。 対照的に、gSTMはより区別され、数学的に特異的なグループを生成するために、スパーシティ制約を強調している。 質的分析は、モデル生成されたグループと手動で符号化されたテーマの整合性をさらに検証し、慢性的な疾患管理、診断の不確実性、メンタルヘルスなどの多様な健康上の問題に対処するグループに、モデルが実際に関連していることを示す。 手動キュレーションへの依存を減らすことで、これらのフレームワークはOHC内のピアインタラクションを強化するスケーラブルなソリューションを提供する。

関連論文リスト

• DALI: LLM-Agent Enhanced Dual-Stream Adaptive Leadership Identification for Group Recommendations [5.213194468942453]
  グループレコメンデーションシステムは、様々な文脈における集団決定を支援する上で重要な役割を果たしている。 既存のグループレコメンデーションアプローチでは、手作りのアグリゲーションルールまたはニューラルアグリゲーションモデルを使用するのが一般的である。 本稿では,LLMのシンボリック推論能力とニューラルネットワークに基づく表現学習を組み合わせた,DALI(Dual-stream Adaptive Leadership Identification)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-20T12:47:17Z)
• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• An MLI-Guided Framework for Subgroup-Aware Modeling in Electronic Health Records (AdaptHetero) [0.18416014644193068]
  AdaptHeteroは、解釈可能性の洞察を実行可能なガイダンスに変換する、新しいMLI駆動のフレームワークである。 AdaptHeteroは、ICU死亡率、院内死亡率、隠された低酸素症を予測するための不均一なモデル挙動を一貫して明らかにしている。
  論文  参考訳（メタデータ） (2025-07-28T04:37:03Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Simple and Scalable Algorithms for Cluster-Aware Precision Medicine [0.0]
  共同クラスタリングと埋め込みに対するシンプルでスケーラブルなアプローチを提案する。 この新しいクラスタ対応の埋め込みアプローチは、現在の共同埋め込みとクラスタリング法の複雑さと限界を克服する。 当社のアプローチでは,ユーザが希望するクラスタ数を選択する必要はなく,階層的にクラスタ化された埋め込みの解釈可能なデンドログラムを生成する。
  論文  参考訳（メタデータ） (2022-11-29T19:27:26Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Fragmentation Coagulation Based Mixed Membership Stochastic Blockmodel [17.35449041036449]
  MMSB(Mixed-Membership Blockmodel)は,ネットワークデータの基盤となる複雑な隠れ構造を学習するのに適した,最先端のベイズ的手法の一つとして提案されている。 本モデルでは,エンティティのコミュニティ情報を抽出するエンティティベースのクラスタリングと,リンクのグループ情報を同時に導出するリンケージベースのクラスタリングを行う。 コミュニティ構造とグループ互換行列を統合することにより、MMSBの一般化版を導出する。
  論文  参考訳（メタデータ） (2020-01-17T22:02:23Z)

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。