論文の概要: New AI-Driven Tools for Enhancing Campus Well-being: A Prevention and Intervention Approach

• arxiv url: http://arxiv.org/abs/2605.10804v1
• Date: Mon, 11 May 2026 16:30:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.986556
• Title: New AI-Driven Tools for Enhancing Campus Well-being: A Prevention and Intervention Approach
• Title（参考訳）: キャンパスウェルビーングを促進するAI駆動型新しいツール:予防と介入のアプローチ
• Authors: Jinwen Tang,
• Abstract要約: この論文は、予防(フィードバック収集の改善)と介入(メンタルヘルス検出の改善)を通じてギャップに対処する。 予防のために,LLMを利用してコンテキスト認識型会話にユーザをエンゲージするパーソナライズされた調査であるTigerGPTを開発した。 反復性と応答深さの制限に対処するため,強化学習フレームワークであるAURAを導入した。 そこで我々は,DSM-5とPHQ-8をベースとしたLCMであるサイコGPTを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Campus well-being underpins academic success, yet many universities lack effective methods for monitoring satisfaction and detecting mental health risks. This dissertation addresses these gaps through prevention (improving feedback collection) and intervention (advancing mental health detection), unified under an integrated framework. For prevention, we developed TigerGPT, a personalized survey chatbot leveraging LLMs to engage users in context-aware conversations grounded in conversational design and engagement theory, achieving 75% usability and 81% satisfaction. To address its limitations in repetitiveness and response depth, we introduced AURA, a reinforcement-learning framework that adapts follow-up question types (validate, specify, reflect, probe) within a session using an LSDE quality signal (Length, Self-disclosure, Emotion, Specificity), initialized from 96 prior conversations. AURA achieved +0.12 mean quality gain (p=0.044, d=0.66), with 63% fewer specification prompts and 10x more validation behavior. For intervention, we examine Expressive Narrative Stories (ENS) for mental health screening, showing BERT(128) captures nuanced linguistic features without keyword cues, while conventional classifiers depend heavily on explicit mental health terms. We then developed PsychoGPT, an LLM built on DSM-5 and PHQ-8 guidelines that performs initial distress classification, symptom-level scoring, and reconciliation with external ratings for explainable assessment. To reduce hallucinations, we proposed Stacked Multi-Model Reasoning (SMMR), layering expert models where early layers handle localized subtasks and later layers reconcile findings, outperforming single-model solutions on DAIC-WOZ in accuracy, F1, and PHQ-8 scoring. Finally, a cohesive framework unifies these tools, enabling adaptive survey insights to flow directly into specialized mental health detection models.
• Abstract（参考訳）: キャンパスの幸福は学術的な成功を支えているが、多くの大学は満足度を監視し精神的な健康リスクを検出する効果的な方法が欠けている。 この論文は、統合された枠組みの下で統合された予防(フィードバック収集の改善)と介入(メンタルヘルス検出の改善)を通じて、これらのギャップに対処する。 予防のために,対話型デザインとエンゲージメント理論に基づく文脈認識会話にユーザをエンゲージし,75%のユーザビリティと81%の満足度を達成できる,パーソナライズされた調査チャットボットTigerGPTを開発した。 そこで我々は,LSDE品質信号(Length, Self-disclosure, Emotion, Specificity)を用いて,フォローアップ質問タイプ(validate, specify, reflect, probe)をセッション内に適応させる強化学習フレームワークであるAURAを紹介した。 AURAは+0.12の平均的な品質向上(p=0.044、d=0.66)を達成し、63%の仕様プロンプトと10倍の検証動作を実現した。 介入のために,心的健康診断のための表現的ナラティブ・ストーリー (ENS) について検討し,BERT(128) がキーワードを含まないニュアンス言語的特徴を捉えているのに対し,従来の分類法は明示的なメンタルヘルス用語に大きく依存していることを示した。 そこで我々は,DSM-5とPHQ-8をベースとしたLCMであるサイコGPTを開発した。 そこで本研究では,初期層が局所化サブタスクや後層を処理し,DAIC-WOZ上での単一モデル解の精度,F1,PHQ-8のスコアリングを行う階層化専門家モデルである,スタックドマルチモデル推論(SMMR)を提案する。 最後に、結束的なフレームワークはこれらのツールを統一し、適応的な調査洞察を専門のメンタルヘルス検出モデルに直接流すことを可能にする。

関連論文リスト

• Speech-based Psychological Crisis Assessment using LLMs [15.893490778343198]
  本稿では,危機レベル自動分類のための大規模言語モデル(LLM)に基づくフレームワークを提案する。 音声会話における感情信号をよりよく捉えるために,パラ言語的注入法を導入する。
  論文  参考訳（メタデータ） (2026-05-11T05:50:51Z)
• Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
  本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。 我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。 ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
  論文  参考訳（メタデータ） (2026-03-18T06:15:35Z)
• Context-Emotion Aware Therapeutic Dialogue Generation: A Multi-component Reinforcement Learning Approach to Language Models for Mental Health Support [3.857814030650221]
  メンタルヘルスの病気は、社会経済的に重大な負担となる。 本稿では, GPT-2の対話生成能力を高めるために, 教師付き微調整・強化学習技術の応用について検討した。
  論文  参考訳（メタデータ） (2025-11-14T21:32:10Z)
• AI-Powered Early Diagnosis of Mental Health Disorders from Real-World Clinical Conversations [7.061237517845673]
  メンタルヘルス障害は、世界中で障害の主な原因となっている。 うつ病、不安症、外傷後ストレス障害(PTSD)などの症状は、しばしば診断または誤診される。 プライマリ・ケア・セッティングでは、提供者は60%以上のケースでうつ病や不安を誤認している。
  論文  参考訳（メタデータ） (2025-10-16T17:50:04Z)
• Reframe Your Life Story: Interactive Narrative Therapist and Innovative Moment Assessment with Large Language Models [72.36715571932696]
  物語療法は、個人が問題のある人生の物語を代替品の力に変えるのに役立つ。 現在のアプローチでは、特殊精神療法ではリアリズムが欠如しており、時間とともに治療の進行を捉えることができない。 Int(Interactive Narrative Therapist)は、治療段階を計画し、反射レベルを誘導し、文脈的に適切な専門家のような反応を生成することによって、専門家の物語セラピストをシミュレートする。
  論文  参考訳（メタデータ） (2025-07-27T11:52:09Z)
• Structured Outputs Enable General-Purpose LLMs to be Medical Experts [50.02627258858336]
  大規模言語モデル(LLM)は、しばしばオープンエンドの医学的問題に苦しむ。 本稿では,構造化医療推論を利用した新しいアプローチを提案する。 我々の手法は85.8のファクチュアリティスコアを達成し、微調整されたモデルを上回る。
  論文  参考訳（メタデータ） (2025-03-05T05:24:55Z)
• Innovative Framework for Early Estimation of Mental Disorder Scores to Enable Timely Interventions [0.9297614330263184]
  本稿では,PTSDとうつ病の自動分類のための高度なマルチモーダル深層学習システムについて述べる。 提案手法は, うつ病では92%, PTSDでは93%の分類精度を達成し, 従来の単潮流法よりも優れていた。
  論文  参考訳（メタデータ） (2025-02-06T10:57:10Z)
• LlaMADRS: Prompting Large Language Models for Interview-Based Depression Assessment [75.44934940580112]
  LlaMADRSは、オープンソースのLarge Language Models(LLM)を利用して、うつ病の重症度評価を自動化する新しいフレームワークである。 本研究は,クリニカルインタヴューの解釈・スコアリングにおけるモデル指導のために,慎重に設計された手がかりを用いたゼロショットプロンプト戦略を用いている。 実世界における236件のインタビューを対象とし,臨床評価と強い相関性を示した。
  論文  参考訳（メタデータ） (2025-01-07T08:49:04Z)
• 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)
• Leveraging Pretrained Representations with Task-related Keywords for Alzheimer's Disease Detection [69.53626024091076]
  アルツハイマー病(AD)は高齢者に特に顕著である。 事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。 本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2023-03-14T16:03:28Z)

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。