論文の概要: EngageTriBoost: Predictive Modeling of User Engagement in Digital Mental Health Intervention Using Explainable Machine Learning

• arxiv url: http://arxiv.org/abs/2604.08589v1
• Date: Tue, 31 Mar 2026 20:34:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.469436
• Title: EngageTriBoost: Predictive Modeling of User Engagement in Digital Mental Health Intervention Using Explainable Machine Learning
• Title（参考訳）: EngageTriBoost: 説明可能な機械学習を用いたデジタルメンタルヘルス介入におけるユーザエンゲージメントの予測モデリング
• Authors: Ha Na Cho, Daniel Eisenberg, Cheryl King, Kai Zheng,
• Abstract要約: 本研究は,DMHIの利用者の行動パターンを機械学習を用いて分析する。eBridgeは,モチベーションに基づくオンラインカウンセリングを通じて,リスクの高い大学生のメンタルヘルスサービスの活用を促進することを目的としている。 私たちのアンサンブルモデルであるEngageTriBoostは、サインインとカウンセラーのインタラクションによって測定されたエンゲージメントを84%の精度で予測しました。 本研究は、DMHIとのユーザエンゲージメントをよりよく理解し、導入を改善し、メンタルヘルスの成果に有意義な影響を与えるための説明可能なMLの力を示す。
• 参考スコア（独自算出の注目度）: 2.837293203265572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mental health challenges among young adults, are on the rise, necessitating effective solutions such as digital mental health interventions (DMHIs). Despite their promise, DMHIs face significant adoption barriers, including low initial uptake and high dropout rates. This study leverages machine learning (ML) to analyze behavioral patterns of users of a DMHI, eBridge, designed to increase the utilization of professional mental health services among at-risk college students through motivational interviewing-based online counseling. Our ensemble model, EngageTriBoost, achieved up to 84% accuracy in predicting engagement, measured by sign-ins and counselor interactions. We then applied the Shapley Additive exPlanations (SHAP) analysis which provided clear, interpretable insights into key factors influencing user engagement such as emotional dysregulation and perceived stigma, highlighting their critical effect on DMHI adoption. This study demonstrates the power of explainable ML for better understanding user engagement with DMHI to improve their adoption and achievable impact on mental health outcomes.
• Abstract（参考訳）: 若者のメンタルヘルスの課題は、デジタルメンタルヘルス介入(DMHI)のような効果的なソリューションを必要としている。 DMHIは約束に反して、初回獲得率の低下や降格率の低下など、大きな採用障壁に直面している。 本研究では,DMHIの利用者の行動パターンを機械学習(ML)を用いて分析する。eBridgeは,モチベーションに基づくオンラインカウンセリングを通じて,リスクの高い大学生のメンタルヘルスサービスの活用を促進することを目的としている。 私たちのアンサンブルモデルであるEngageTriBoostは、サインインとカウンセラーのインタラクションによって測定されたエンゲージメントを84%の精度で予測しました。 次にShapley Additive exPlanations (SHAP) 分析を適用し,感情的不規則化やスティグマ知覚などのユーザエンゲージメントに影響を及ぼす重要な要因を明確かつ解釈可能な洞察を与え,DMHI導入におけるそれらの重要な影響を浮き彫りにした。 本研究は、DMHIとのユーザエンゲージメントをよりよく理解し、導入を改善し、メンタルヘルスの成果に有意義な影響を与えるための説明可能なMLの力を示す。

関連論文リスト

• Ambivalence/Hesitancy Recognition in Videos for Personalized Digital Health Interventions [51.74800196847922]
  A/H(Ambivalence and Hesitancy)は、個人が健康介入を遅らせたり、避けたり、放棄したりする主要な役割を担っている。 専門家はA/Hを認識するように訓練することができるが、それらをデジタルヘルス介入に統合することは費用がかかり、効果が低い。 本稿では,ビデオにおけるA/H認識の深層学習モデルの適用について検討する。
  論文  参考訳（メタデータ） (2026-04-13T17:05:38Z)
• Barriers to Digital Mental Health Services among College Students [5.680225451894852]
  本研究では,大学生におけるデジタルメンタルヘルス・インターベンション(DMHI)の利用障壁について検討した。 DMHI導入における9つの重要な障壁と,メンタルヘルスサービスの利用について検討した。
  論文  参考訳（メタデータ） (2025-06-30T21:27:27Z)
• ProMind-LLM: Proactive Mental Health Care via Causal Reasoning with Sensor Data [5.961343130822046]
  メンタルヘルスのリスクは、世界の公衆衛生にとって重要な課題である。 大規模言語モデル(LLMs)の開発により、それらは説明可能な精神医療応用のための有望なツールであることが注目されている。 本稿では、主観的心的記録と相補的な情報として客観的行動データを統合する革新的なアプローチであるProMind-LLMを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T07:36:28Z)
• Sentiment-guided Commonsense-aware Response Generation for Mental Health Counseling [28.17719749654601]
  反応生成にコモンセンス認識を取り入れた感情誘導機構であるEmpResを提案する。 ファンデーションモデルを活用し、コモンセンスの知識を活用することで、EmpResはクライアントの肯定的な感情を効果的に形作る応答を生成することを目指している。 以上の結果から,ユーザの91%がシステムの有効性を認め,80%が満足度を示し,85.45%以上がインターフェースの使用を継続し,他の人に推奨していることがわかった。
  論文  参考訳（メタデータ） (2025-01-06T15:41:52Z)
• Understanding Student Sentiment on Mental Health Support in Colleges Using Large Language Models [5.3204794327005205]
  本稿では,学生音声調査データを用いて,大規模言語モデル(LLM)を用いたメンタルヘルス支援に対する学生の感情分析を行う。 従来の機械学習手法と最先端のLCMの両方の調査は、この新しいデータセット上でのGPT-3.5とBERTの最高のパフォーマンスを示した。
  論文  参考訳（メタデータ） (2024-11-18T02:53:15Z)
• PsychoGAT: A Novel Psychological Measurement Paradigm through Interactive Fiction Games with LLM Agents [68.50571379012621]
  心理的な測定は、精神健康、自己理解、そして個人の発達に不可欠である。 心理学ゲームAgenT(サイコガト)は、信頼性、収束妥当性、差別的妥当性などの心理学的指標において統計的に有意な卓越性を達成している。
  論文  参考訳（メタデータ） (2024-02-19T18:00:30Z)
• Facilitating Self-Guided Mental Health Interventions Through Human-Language Model Interaction: A Case Study of Cognitive Restructuring [8.806947407907137]
  人間の言語モデル相互作用が自己指導型メンタルヘルス介入にどのように役立つかを検討する。 我々は、言語モデルを用いて、認知的再構成の様々なステップを通して人々を支援するシステムの設計と評価を行う。
  論文  参考訳（メタデータ） (2023-10-24T02:23:34Z)
• Empowering Psychotherapy with Large Language Models: Cognitive Distortion Detection through Diagnosis of Thought Prompting [82.64015366154884]
  本研究では,認知的歪み検出の課題について検討し,思考の早期発見(DoT)を提案する。 DoTは、事実と思考を分離するための主観的評価、思考と矛盾する推論プロセスを引き出すための対照的な推論、認知スキーマを要約するスキーマ分析という3つの段階を通して、患者のスピーチの診断を行う。 実験により、DoTは認知的歪み検出のためのChatGPTよりも大幅に改善され、一方で人間の専門家が承認した高品質な合理性を生成することが示された。
  論文  参考訳（メタデータ） (2023-10-11T02:47:21Z)
• 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。