論文の概要: Mitigating Data Scarcity in Psychological Defense Classification with Context-Aware Synthetic Augmentation
- arxiv url: http://arxiv.org/abs/2605.14380v1
- Date: Thu, 14 May 2026 05:02:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.630624
- Title: Mitigating Data Scarcity in Psychological Defense Classification with Context-Aware Synthetic Augmentation
- Title（参考訳）: 文脈対応合成強化による心理的防衛分類におけるデータの空白化
- Authors: Hoang-Thuy-Duong Vu, Quoc-Cuong Pham, Huy-Hieu Pham,
- Abstract要約: 心理的防衛メカニズム(英: Psychological Defense Mechanism、PDM)は、個人が感情的苦痛にどう反応するかを調節する無意識の認知過程である。
本稿では,ハイブリッド分類モデルと組み合わせた文脈認識型合成拡張フレームワークを提案する。
本モデルでは,文脈言語表現を基本的臨床特徴と統合し,150個のアノテートされた防衛項目を合成する。
- 参考スコア（独自算出の注目度）: 3.11997128394121
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Psychological defense mechanisms (PDMs) are unconscious cognitive processes that modulate how individuals perceive and respond to emotional distress. Automatically classifying PDMs from text is clinically valuable but severely hindered by data scarcity and class imbalance, challenges which generative augmentation alone cannot resolve without psychological grounding. In this work, we address these challenges in the PsyDefDetect shared task (BioNLP@ACL 2026) by proposing a context-aware synthetic augmentation framework combined with a hybrid classification model. Our hybrid model integrates contextual language representations with basic clinical features, along with 150 annotated defense items. Experiments demonstrate that definition quality in prompting directly governs generation fidelity and downstream performance. Our method surpasses DMRS Co-Pilot, reaching an accuracy of 58.26% (+40.25%) and a macro-F1 of 24.62% (+15.99%), thereby establishing a strong baseline for psychologically grounded defense mechanism classification in low-resource settings. Source code is available at: https://github.com/htdgv/CASA-PDC.
- Abstract（参考訳）: 心理的防衛メカニズム(英: Psychological Defense Mechanism、PDM)は、個人が感情的苦痛にどう反応するかを調節する無意識の認知過程である。
テキストから自動的にPDMを分類することは臨床的に有用であるが、データ不足とクラス不均衡によって深刻な障害となる。
本研究では,PsyDefDetect共有タスク(BioNLP@ACL 2026)において,コンテキスト認識型合成拡張フレームワークとハイブリッド分類モデルを組み合わせることで,これらの課題に対処する。
本モデルでは,文脈言語表現を基本的臨床特徴と統合し,150個のアノテートされた防衛項目を合成する。
実験により、生成の忠実度と下流のパフォーマンスを直接的に制御する定義品質が示される。
本手法はDMRS Co-Pilot を超え,58.26% (+40.25%) の精度,24.62% (+15.99%) のマクロF1に到達した。
ソースコードはhttps://github.com/htdgv/CASA-PDC.comで入手できる。
関連論文リスト
- New AI-Driven Tools for Enhancing Campus Well-being: A Prevention and Intervention Approach [0.0]
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。
論文 参考訳（メタデータ） (2026-05-11T16:30:14Z) - Psychologically-Grounded Graph Modeling for Interpretable Depression Detection [36.72827968050813]
対話型セッションを動的時間グラフとしてモデル化するフレームワークであるPsyGATを提案する。
Causal-PsyGATも紹介した。
実験では、因果指標を特定するためのMRRが20%改善されている。
論文 参考訳（メタデータ） (2026-04-27T07:27:45Z) - Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
パーキンソン病は世界中で1千万人以上に影響している。
個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。
我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
論文 参考訳（メタデータ） (2026-03-31T02:36:10Z) - Cognitive Agency Surrender: Defending Epistemic Sovereignty via Scaffolded AI Friction [3.298077866187024]
ジェネレーティブ・人工知能(Generative Artificial Intelligence)は、良心的な認知的オフロードを認知エージェントの降伏のシステム的リスクに変えた。
ゼロフリクション(zero-friction)"デザインの商業的ドグマによって駆動される、高度に流動的なAIインターフェースは、人間の認知的ミスを積極的に活用する。
論文 参考訳（メタデータ） (2026-03-23T09:24:56Z) - HUMANLLM: Benchmarking and Reinforcing LLM Anthropomorphism via Human Cognitive Patterns [59.17423586203706]
本稿では,心理的パターンを因果力の相互作用として扱うフレームワークであるHUMANLLMを提案する。
12,000の学術論文から244のパターンを構築し、2-5のパターンが相互に強化、衝突、変調されるシナリオ11,359を合成する。
我々の二重レベルチェックリストは、個々のパターンの忠実度と創発的なマルチパターンのダイナミクスを評価し、強い人間のアライメントを達成する。
論文 参考訳（メタデータ） (2026-01-15T08:56:53Z) - DepFlow: Disentangled Speech Generation to Mitigate Semantic Bias in Depression Detection [54.209716321122194]
抑うつ条件付きテキスト音声合成フレームワークであるDepFlowについて述べる。
抑うつ音響カモフラージュは、対向訓練を通じて話者と内容不変の抑うつ埋め込みを学習する。
フローマッチングTTSモデルとFiLM変調はこれらの埋め込みを合成に注入し、うつ病の重症度を制御する。
プロトタイプベースの重度マッピング機構は、うつ病連続体を滑らかかつ解釈可能な操作を提供する。
論文 参考訳（メタデータ） (2026-01-01T10:44:38Z) - Breaking Minds, Breaking Systems: Jailbreaking Large Language Models via Human-like Psychological Manipulation [6.67891820536196]
心理学的ジェイルブレイク(英: Psychological Jailbreak)は、大規模言語モデルにおいて、ステートフルな心理的攻撃面を公開する攻撃パラダイムである。
HPM(Human-like Psychological Manipulation)は、ターゲットモデルの潜在する心理的脆弱性をプロファイルし、カスタマイズされたマルチターン攻撃戦略を合成する。
HPMは88.1%の平均攻撃成功率(ASR)を達成し、最先端の攻撃ベースラインを上回っている。
論文 参考訳（メタデータ） (2025-12-20T07:02:00Z) - MindEval: Benchmarking Language Models on Multi-turn Mental Health Support [10.524387723320432]
MindEvalは、現実的でマルチターンのメンタルヘルスセラピー会話において、言語モデルを自動的に評価するためのフレームワークである。
シミュレーションされた患者が生成したテキストに対する現実性を定量的に検証し、自動判断と人的判断との間に強い相関関係を示す。
われわれは12の最先端のLCMを評価し、AI固有のコミュニケーションパターンに特に弱点がある平均6点中4点以下で、すべてのモデルが苦戦していることを示す。
論文 参考訳（メタデータ） (2025-11-23T15:19:29Z) - CausalDiff: Causality-Inspired Disentanglement via Diffusion Model for Adversarial Defense [61.78357530675446]
人間は、本質的な要因のみに基づいて判断するので、微妙な操作によって騙されるのは難しい。
この観察に触発されて、本質的なラベル因果因子を用いたラベル生成をモデル化し、ラベル非因果因子を組み込んでデータ生成を支援する。
逆の例では、摂動を非因果因子として識別し、ラベル因果因子のみに基づいて予測することを目的としている。
論文 参考訳（メタデータ） (2024-10-30T15:06:44Z) - Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。
任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。
本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
論文 参考訳（メタデータ） (2021-05-31T17:01:05Z)
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。