論文の概要: Generative Experiences for Digital Mental Health Interventions: Evidence from a Randomized Study

• arxiv url: http://arxiv.org/abs/2604.07558v1
• Date: Wed, 08 Apr 2026 19:59:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.536319
• Title: Generative Experiences for Digital Mental Health Interventions: Evidence from a Randomized Study
• Title（参考訳）: デジタルメンタルヘルス・インターベンションのための生成的体験-ランダムな研究から
• Authors: Ananya Bhattacharjee, Michael Liut, Matthew Jörke, Diyi Yang, Emma Brunskill,
• Abstract要約: GUIDEは、パーソナライズされた介入内容とマルチモーダルインタラクション構造を生成するシステムである。 N = 237人の参加者による事前登録調査では、GUIDEはストレスを著しく減らし、ユーザエクスペリエンスを改善した。 この研究は、デジタル設定でサポートをどのように経験し、実施するかを動的に形成する介入の基礎を築いた。
• 参考スコア（独自算出の注目度）: 56.17549485306432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital mental health (DMH) tools have extensively explored personalization of interventions to users' needs and contexts. However, this personalization often targets what support is provided, not how it is experienced. Even well-matched content can fail when the interaction format misaligns with how someone can engage. We introduce generative experience as a paradigm for DMH support, where the intervention experience is composed at runtime. We instantiate this in GUIDE, a system that generates personalized intervention content and multimodal interaction structure through rubric-guided generation of modular components. In a preregistered study with N = 237 participants, GUIDE significantly reduced stress (p = .02) and improved the user experience (p = .04) compared to an LLM-based cognitive restructuring control. GUIDE also supported diverse forms of reflection and action through varied interaction flows, while revealing tensions around personalization across the interaction sequence. This work lays the foundation for interventions that dynamically shape how support is experienced and enacted in digital settings.
• Abstract（参考訳）: デジタルメンタルヘルス(DMH)ツールは、ユーザのニーズやコンテキストに対する介入のパーソナライズを幅広く検討してきた。 しかしながら、このパーソナライゼーションは、どのように経験するかではなく、提供されるサポートをターゲットとすることが多い。 インタラクションフォーマットが誰かのエンゲージメント方法と間違えると、うまくマッチしたコンテンツでさえ失敗する可能性がある。 DMH支援のパラダイムとして生成経験を導入し,実行時に介入経験を構成する。 ルーリック誘導によるモジュラーコンポーネントの生成により、パーソナライズされた介入コンテンツとマルチモーダルインタラクション構造を生成するシステムであるGUIDEでこれをインスタンス化する。 N = 237人の参加者による事前登録研究において、GUIDEはストレス(p = .02)を著しく低減し、ユーザエクスペリエンス(p = .04)を改善した。 GUIDEはまた、様々な相互作用フローを通して様々な形式の反射と行動をサポートし、相互作用シーケンスを横断するパーソナライズに関する緊張関係を明らかにした。 この研究は、デジタル設定でサポートをどのように経験し、実施するかを動的に形成する介入の基礎を築いた。

関連論文リスト

• Foundation Model for Skeleton-Based Human Action Understanding [56.89025287217221]
  本稿では,統一骨格に基づくDense Representation Learningフレームワークを提案する。 USDRLはトランスフォーマーベースのDense Spatio-Temporal (DSTE)、Multi-Grained Feature Deorrelation (MG-FD)、Multi-Perspective Consistency Training (MPCT)で構成されている。
  論文  参考訳（メタデータ） (2025-08-18T02:42:16Z)
• A Novel Dataset for Video-Based Neurodivergent Classification Leveraging Extra-Stimulatory Behavior [15.88235629194724]
  本稿では,ビデオフレームの畳み込みとアテンションマップの特徴データを含むビデオASDデータセットを提案する。 以上の結果から,本モデルは子どもの運動における重要な違いを効果的に一般化し,理解していることが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-06T20:11:02Z)
• PsyDI: Towards a Personalized and Progressively In-depth Chatbot for Psychological Measurements [4.215144489966779]
  PsyDIは、心理測定のための個人化された、そして、徐々に深いチャットボットである。 PsyDIは、ユーザ関連のマルチモーダル情報を使用し、カスタマイズされたマルチターンインタラクションを使用して、パーソナライズされ、容易にアクセス可能な計測を提供する。 心理学的特徴に関連するプロキシ変数のランク付けを学習する新しいトレーニングパラダイムを導入する。 スコアモデルにより、PsyDIはマルチターンインタラクションを通じて包括的で正確な測定を行うことができる。
  論文  参考訳（メタデータ） (2024-07-22T07:19:12Z)
• PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
  データ構築とモデルチューニングを改善するためのフレームワークPersLLMを提案する。 データ利用が不十分な場合には、Chain-of-Thoughtプロンプトやアンチインダクションといった戦略を取り入れます。 厳密な振舞いパターンを設計し,モデルの性格の特異性とダイナミズムを高めるために自動DPOを導入する。
  論文  参考訳（メタデータ） (2024-07-17T08:13:22Z)
• Enhancing HOI Detection with Contextual Cues from Large Vision-Language Models [56.257840490146]
  ConCueは、HOI検出における視覚的特徴抽出を改善するための新しいアプローチである。 コンテクストキューをインスタンスと相互作用検出器の両方に統合するマルチトウワーアーキテクチャを用いたトランスフォーマーベースの特徴抽出モジュールを開発した。
  論文  参考訳（メタデータ） (2023-11-26T09:11:32Z)
• Hybrid Handcrafted and Learnable Audio Representation for Analysis of Speech Under Cognitive and Physical Load [17.394964035035866]
  音声におけるタスク負荷検出のための5つのデータセットを提案する。 音声記録は、ボランティアのコホートに認知的ストレスまたは身体的ストレスが引き起こされたとして収集された。 このデータセットを用いて、新たな自己教師型音声表現の設計と評価を行った。
  論文  参考訳（メタデータ） (2022-03-30T19:43:21Z)
• Dyadformer: A Multi-modal Transformer for Long-Range Modeling of Dyadic Interactions [33.67477398036821]
  そこで我々はDyadformerを提案する。Dyadformerは、動的相互作用における個人的および対人的特徴をモデル化する、新しいマルチモーダルマルチオブジェクトトランスフォーマーアーキテクチャである。 提案するクロスオブジェクト層は,対象者間のインタラクションを注意的操作により明示的にモデル化することを可能にする。 この概念実証アプローチは、双方の相互作用の複数モーダリティと結合モデリングが、より長い時間にわたって、個々の属性を予測するのにどのように役立つかを示す。
  論文  参考訳（メタデータ） (2021-09-20T12:45:04Z)

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。