論文の概要: Can Large Language Models Imitate Human Speech for Clinical Assessment? LLM-Driven Data Augmentation for Cognitive Score Prediction

• arxiv url: http://arxiv.org/abs/2605.16077v1
• Date: Fri, 15 May 2026 15:39:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.342682
• Title: Can Large Language Models Imitate Human Speech for Clinical Assessment? LLM-Driven Data Augmentation for Cognitive Score Prediction
• Title（参考訳）: 大規模言語モデルは臨床評価のために人間の発話を省略できるか?認知スコア予測のためのLLM駆動データ拡張
• Abstract要約: 音声認識による認知スコアの予測を改善するために,大規模言語モデル(LLM)によるデータ拡張フレームワークを提案する。 日本語コーパスにおいて,各被験者が自発的な口頭物語と同一の臨床的刺激に対する書面応答の両方を提示する実験を行った。
• 参考スコア（独自算出の注目度）: 6.724673957306738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate assessment of cognitive decline from spontaneous speech remains challenging due to limited dataset size and class imbalance. In this work, we propose a large language model (LLM)-driven data augmentation framework to improve the prediction of cognitive scores from speech. Experiments are conducted on a Japanese corpus in which each participant provides both a spontaneous oral narrative and a written response to the same clinical prompt. The written responses serve as semantic anchors to generate multiple oral-like monologues in different styles using GPT-5. We then predict Hasegawa Dementia Scale scores, a widely used cognitive screening tool in Japan, using a Partial Least Squares regression model trained on Sentence-BERT speech embeddings. We investigate two augmentation strategies: random class-balanced selection, which yields moderate but unstable improvements, and similarity-guided class-balanced selection. The latter prioritizes semantically close synthetic samples, leading to more consistent improvements and substantially reducing prediction error for minority low-score participants while maintaining performance for the majority group. Overall, our findings demonstrate the potential of semantically guided LLM-driven augmentation as a principled approach for addressing class imbalance and improving data efficiency in clinical speech analysis.
• Abstract（参考訳）: 自発音声からの認知低下の正確な評価は、データセットサイズやクラス不均衡が限定されているため、依然として困難である。 本研究では,音声認識による認知スコアの予測を改善するために,大規模言語モデル(LLM)によるデータ拡張フレームワークを提案する。 日本語コーパスにおいて,各被験者が自発的な口頭物語と同一の臨床的刺激に対する書面応答の両方を提示する実験を行った。 書かれた応答は意味アンカーとして機能し、GPT-5を用いて異なるスタイルで複数の口頭様のモノローグを生成する。 次に,日本語の認知スクリーニングツールである長谷川認知症尺度(Hasegawa Dementia Scale)のスコアを,文節-BERT音声埋め込みに基づいて学習した部分最小二乗回帰モデルを用いて予測する。 ランダムなクラスバランス選択は、適度ではあるが不安定な改善をもたらすが、類似性のあるクラスバランス選択である。 後者は、意味的に密接な合成サンプルを優先し、より一貫した改善と少数派の低スコア参加者の予測誤差を大幅に低減し、多数派のパフォーマンスを維持した。 本研究は,LLMによる意味指導による拡張の可能性について,授業の不均衡に対処し,臨床音声解析におけるデータ効率を向上させるための原則的アプローチとして示すものである。

関連論文リスト

• On the Fallacy of Global Token Perplexity in Spoken Language Model Evaluation [88.77441715819366]
  大規模生音声で事前訓練された生成音声言語モデルは、適切な内容で音声プロンプトを継続することができる。 本稿では,グローバルトークンの難易度に代えて,多種多様な可能性・生成的評価手法を提案する。
  論文  参考訳（メタデータ） (2026-01-09T22:01:56Z)
• Speech-Based Cognitive Screening: A Systematic Evaluation of LLM Adaptation Strategies [1.6807214708043468]
  アルツハイマー病と関連する認知症を持つ米国の成人の半数以上が未診断のままである。 DementiaBank音声コーパスを用いた認知症検出のための大規模言語モデル適応手法の比較を行った。
  論文  参考訳（メタデータ） (2025-08-24T13:15:28Z)
• CogBench: A Large Language Model Benchmark for Multilingual Speech-Based Cognitive Impairment Assessment [23.1730341293796]
  音声に基づく認知障害評価のための大規模言語モデルの言語間およびサイト間一般化性を評価するための最初のベンチマークであるCagBenchを提案する。 以上の結果から,従来のディープラーニングモデルはドメイン間で変換されると大幅に劣化することがわかった。 本研究は,臨床的に有用で言語学的に堅牢な音声に基づく認知評価ツールを構築するための重要なステップを提供する。
  論文  参考訳（メタデータ） (2025-08-05T12:06:16Z)
• Automated evaluation of children's speech fluency for low-resource languages [8.918459083715149]
  本稿では,微調整された多言語ASRモデルと客観的なメトリクス抽出段階を組み合わせることで,流速を自動的に評価するシステムを提案する。 提案システムは,タミル語とマレー語という2つの低リソース言語を用いて,子どもの発話のデータセットに基づいて評価する。
  論文  参考訳（メタデータ） (2025-05-26T08:25:50Z)
• Bigger But Not Better: Small Neural Language Models Outperform Large Language Models in Detection of Thought Disorder [7.585589727435719]
  より小さなニューラルネットワークモデルが正の形式的思考障害の検出に有効な選択肢となるかどうかを検討する。 意外なことに,本研究の結果は,より小さなモデルの方が,形式的思考障害に関連する言語的差異に敏感であることが示唆された。
  論文  参考訳（メタデータ） (2025-03-25T22:55:58Z)
• 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)
• HyPoradise: An Open Baseline for Generative Speech Recognition with Large Language Models [81.56455625624041]
  ASRの誤り訂正に外部の大規模言語モデル(LLM)を利用する最初のオープンソースベンチマークを導入する。 提案したベンチマークには、334,000組以上のN-best仮説を含む新しいデータセットHyPoradise (HP)が含まれている。 合理的なプロンプトと生成能力を持つLLMは、N-bestリストに欠けているトークンを修正できる。
  論文  参考訳（メタデータ） (2023-09-27T14:44:10Z)
• Automatically measuring speech fluency in people with aphasia: first achievements using read-speech data [55.84746218227712]
  本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
  論文  参考訳（メタデータ） (2023-08-09T07:51:40Z)
• LDNet: Unified Listener Dependent Modeling in MOS Prediction for Synthetic Speech [67.88748572167309]
  本稿では,平均世論スコア(MOS)予測のための統合フレームワークLDNetを提案する。 より安定した結果と効率的な計算を提供する2つの推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-18T08:52:31Z)
• Self-Training Sampling with Monolingual Data Uncertainty for Neural Machine Translation [98.83925811122795]
  並列データを補完するために最も情報に富んだ単言語文を選択することでサンプリング手順を改善することを提案する。 並列データから抽出したバイリンガル辞書を用いて単言語文の不確実性を計算した。 大規模WMT英語$Rightarrow$Germanと英語$Rightarrow$ Chineseデータセットの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-06-02T05:01:36Z)

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。