論文の概要: K-SENSE: A Knowledge-Guided Self-Augmented Encoder for Neuro-Semantic Evaluation of Mental Health Conditions on Social Media

• arxiv url: http://arxiv.org/abs/2604.23493v2
• Date: Tue, 28 Apr 2026 04:06:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 14:06:43.830347
• Title: K-SENSE: A Knowledge-Guided Self-Augmented Encoder for Neuro-Semantic Evaluation of Mental Health Conditions on Social Media
• Title（参考訳）: K-SENSE: ソーシャルメディア上でのメンタルヘルス状態の神経節的評価のための知識誘導型自己拡張エンコーダ
• Authors: Vijay Yadav,
• Abstract要約: ソーシャルメディアのテキストから精神状態、特にストレスや抑うつを早期に検出することは、未解決の問題である。 外部心理的推論と内部表現エンコーダを利用するフレームワークであるK-SENSEを提案する。 ドレッドディットのK-SENSE(ストレス検出)とデプレッション_Mixed(抑うつ検出)を5回の独立ランで評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early detection of mental health conditions, particularly stress and depression, from social media text remains a challenging open problem in computational psychiatry and natural language processing. Automated systems must contend with figurative language, implicit emotional expression, and the high noise inherent in user-generated content. Existing approaches either leverage external commonsense knowledge to model mental states explicitly, or apply self-augmentation and contrastive training to improve generalization, but seldom do both in a principled, unified framework. We propose K-SENSE (Knowledge-guided Self-augmented Encoder for Neuro-Semantic Evaluation of Mental Health), a framework that jointly exploits external psychological reasoning and internal representation robustness. K-SENSE adopts a three-stage encoding pipeline: (1) inferential commonsense knowledge is extracted from the COMET model across five mental state dimensions; (2) a semantic anchor is constructed by combining hidden representations from two parallel encoding streams, projected into a shared space before fusion; and (3) a supervised contrastive learning objective aligns same-class representations while encouraging the attention mechanism to suppress irrelevant knowledge noise. We evaluate K-SENSE on Dreaddit (stress detection) and Depression_Mixed (depression detection), achieving mean F1-scores of 86.1 (0.6%) and 94.3 (0.8%), respectively, over five independent runs. These represent improvements of approximately 2.6 and 1.5 percentage points over the strongest prior baselines. Ablation experiments confirm the contribution of each architectural component, including the temporal knowledge integration strategy and the choice to keep the knowledge encoder frozen during fine-tuning.
• Abstract（参考訳）: ソーシャルメディアのテキストから精神状態、特にストレスや抑うつを早期に検出することは、計算精神医学や自然言語処理において難しい問題である。 自動システムは、図形言語、暗黙の感情表現、およびユーザー生成コンテンツに固有の高ノイズと競合する必要がある。 既存のアプローチでは、外部のコモンセンス知識を活用して精神状態を明示的にモデル化するか、あるいは一般化を改善するために自己拡張と対照的な訓練を適用している。 K-SENSE (Knowledge-guided Self-augmented Encoder for Neuro-Semantic Evaluation of Mental Health) は、外的心理的推論と内的表現ロバスト性を共同で活用するフレームワークである。 K-SENSEは,(1)5つの精神状態次元にわたるCOMETモデルから推論コモンセンス知識を抽出し,(2)融合前の共有空間に投影される2つの並列符号化ストリームからの隠れ表現を組み合わせて意味アンカーを構築する。 K-SENSE on Dreaddit (stress detection) と Depression_Mixed (depression detection) を評価し,それぞれ86.1 (0.6%) と94.3 (0.8%) のF1スコアを5回の独立ランで達成した。 これらは最強のベースラインよりも約2.6ポイントと1.5ポイントの改善を示している。 アブレーション実験は、時間的知識統合戦略や、微調整中に知識エンコーダを凍結させる選択を含む、各アーキテクチャコンポーネントの寄与を確認します。

関連論文リスト

• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• Time-Resolved EEG Decoding of Semantic Processing Reveals Altered Neural Dynamics in Depression and Suicidality [28.636815691167474]
  脳波を用いた感情処理のセマンティックダイナミクスについて検討した。 うつ病や自殺観念を持つ人は、早期発症、長い期間、振幅復号反応が大きかった。
  論文  参考訳（メタデータ） (2025-07-30T00:58:51Z)
• MoodAngels: A Retrieval-augmented Multi-agent Framework for Psychiatry Diagnosis [58.67342568632529]
  MoodAngelsは、気分障害の診断のための最初の特殊なマルチエージェントフレームワークである。 MoodSynは、合成精神医学の1,173件のオープンソースデータセットである。
  論文  参考訳（メタデータ） (2025-06-04T09:18:25Z)
• 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)
• WiseMind: Recontextualizing AI with a Knowledge-Guided, Theory-Informed Multi-Agent Framework for Instrumental and Humanistic Benefits [10.8749978349074]
  WiseMindは、NLPの分野間コンテキスト化フレームワークである。 うつ病、不安症、双極性障害で試験され、診断精度は84.2%に達する。 その結果、知識、プロセス、評価層にまたがる深い文脈化は、ベンチマーク駆動型NLPを臨床的に有意義な影響に変換することができることがわかった。
  論文  参考訳（メタデータ） (2025-02-28T03:45:39Z)
• Decoding Linguistic Nuances in Mental Health Text Classification Using Expressive Narrative Stories [5.091061468748012]
  本研究は,自己宣言型抑うつを伴う人や無関係の人からの表現的物語(ENS)に着目し,そのギャップを埋めるものである。 本研究は,従来の言語モデルに対する高度言語モデルであるBERTとMentalBERTの有用性を評価する。 BERT は ENS における話題単語の欠如に対して最小限の感度を示し,より深い言語的特徴を理解する能力に優れていたことを示唆した。
  論文  参考訳（メタデータ） (2024-12-20T19:29:21Z)
• BrainECHO: Semantic Brain Signal Decoding through Vector-Quantized Spectrogram Reconstruction for Whisper-Enhanced Text Generation [48.20672677492805]
  現在のEEG/MEG-to-textデコーディングシステムには3つの重要な制限がある。 BrainECHOは、分離された表現学習を利用する多段階フレームワークである。 BrainECHOは文、セッション、主題に依存しない条件をまたいだ堅牢性を示す。
  論文  参考訳（メタデータ） (2024-10-19T04:29:03Z)
• Mental Health Diagnosis in the Digital Age: Harnessing Sentiment Analysis on Social Media Platforms upon Ultra-Sparse Feature Content [3.6195994708545016]
  3次元構造を持つ新しい意味的特徴前処理手法を提案する。 強化されたセマンティック機能により、精神障害を予測および分類するために機械学習モデルを訓練する。 提案手法は,7つのベンチマークモデルと比較して,大幅な性能向上を示した。
  論文  参考訳（メタデータ） (2023-11-09T00:15:06Z)
• Toward a realistic model of speech processing in the brain with self-supervised learning [67.7130239674153]
  生波形で訓練された自己教師型アルゴリズムは有望な候補である。 We show that Wav2Vec 2.0 learns brain-like representations with little as 600 hours of unlabelled speech。
  論文  参考訳（メタデータ） (2022-06-03T17:01:46Z)
• Pose-based Body Language Recognition for Emotion and Psychiatric Symptom Interpretation [75.3147962600095]
  通常のRGBビデオから始まるボディーランゲージに基づく感情認識のための自動フレームワークを提案する。 心理学者との連携により,精神症状予測の枠組みを拡張した。 提案されたフレームワークの特定のアプリケーションドメインは限られた量のデータしか供給しないため、フレームワークは小さなトレーニングセットで動作するように設計されている。
  論文  参考訳（メタデータ） (2020-10-30T18:45:16Z)

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。