論文の概要: CUNY at CLPsych 2026: A Pipeline Approach to Classification and Summarization of Mental Health Changes
- arxiv url: http://arxiv.org/abs/2605.24164v1
- Date: Fri, 22 May 2026 19:35:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:17.657095
- Title: CUNY at CLPsych 2026: A Pipeline Approach to Classification and Summarization of Mental Health Changes
- Title（参考訳）: CLPsych 2026におけるCUNY : メンタルヘルス変化の分類と要約へのパイプラインアプローチ
- Authors: Amirmohammad Ziaei Bideh, Shameed Charlomar Job, Ava Yahyapour, Alla Rozovskaya,
- Abstract要約: 我々は,ソーシャルメディアのタイムラインのダイナミックスを通じて,メンタルヘルスの変化を捉え,特徴付けるための共有タスクをCLPsych2026に提出した。
ポストにおける支配的な自己状態を予測するために,多数決による3つのオープンウェイトな大言語モデルのコンテキスト内学習をまとめる。
タイムライン内でのムードダイナミクスのパターンと時間経過を要約するために,上流システムによって予測されるコンテキスト内サンプルラベルを拡大する。
- 参考スコア（独自算出の注目度）: 4.3748379918040845
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We describe our submission to the CLPsych~2026 Shared Task on capturing and characterizing mental health changes through social media timeline dynamics. To infer the dominant self-states in posts (Tasks 1.1 and 1.2), we ensemble in-context learning of three open-weight large language models using majority voting. For predicting moments of change in a timeline (Task~2), we train supervised classifiers on features derived from Task~1.1 predictions. To summarize the patterns of mood dynamics and their progression over time within a timeline (Task 3.1), we augment in-context example labels predicted by upstream systems (Tasks 1.1, 1.2, and 2), yielding performance gains over zero-shot and unaugmented in-context learning baselines. Our submission ranked first on Task~1.1, fourth on Task~1.2, fourth on Task~2, and third on Task~3.1.\footnote{The source code for the experiments is available at https://github.com/amirzia/clpsych26-cuny
- Abstract（参考訳）: 我々は、ソーシャルメディアのタイムラインのダイナミックスを通じて、メンタルヘルスの変化を捉え、特徴づける共有タスクをCLPsych~2026に提出した。
ポストにおける支配的な自己状態(Tasks 1.1,1.2)を推定するために,多数決による3つのオープンウェイト大言語モデルのコンテキスト内学習を行う。
タイムラインにおける変化の瞬間(Task~2)を予測するために、Task~1の予測から派生した特徴に基づいて教師付き分類器を訓練する。
タイムライン内のムードダイナミクスのパターンと時間経過を要約するため(Task 3.1)、上流システム(Task 1.1,1.2,2)によって予測されるコンテキスト内サンプルラベルを拡大し、ゼロショットおよび未拡張のインコンテキスト学習ベースラインよりもパフォーマンスが向上する。
Task~1、Task~1.2で4位、Task~2で4位、Task~3.1.\footnote{ 実験のソースコードはhttps://github.com/amirzia/clpsych26-cunyで入手できる。
関連論文リスト
- DreamerNLplus: Interpretable Modeling of Mental Health Dynamics from Social Media Timelines using Hybrid Rule-Based and RAG Methods [4.208177496878216]
ソーシャルメディアのタイムラインからメンタルヘルスのダイナミクスをモデリングするためのハイブリッドフレームワークであるDreamerNLplusを紹介する。
本システムは,心理的状態モデリング,時間変化検出,シーケンスレベルの要約という3つの課題に対処する。
論文 参考訳（メタデータ） (2026-05-21T21:35:08Z) - How to Interpret Agent Behavior [56.59836196946289]
本稿では,エージェントの動作を実行時に記述・解析するための分類法であるACT*ONOMYを紹介する。
共用語彙を提供することで、ACT*ONOMYは研究者、エージェントデザイナー、エンドユーザーがエージェントの振る舞いをより一貫して解釈するのに役立つ。
論文 参考訳（メタデータ） (2026-05-13T14:52:40Z) - Generating Natural-Language Surgical Feedback: From Structured Representation to Domain-Grounded Evaluation [66.7752700084159]
外科的トレーナーからの高品質なフィードバックは,訓練者のパフォーマンス向上と長期的スキル獲得に不可欠である。
本稿では,実際の訓練者-訓練者間の文書から外科的行動オントロジーを学習する構造対応パイプラインを提案する。
論文 参考訳（メタデータ） (2025-11-19T06:19:34Z) - ThangDLU at #SMM4H 2024: Encoder-decoder models for classifying text data on social disorders in children and adolescents [49.00494558898933]
本稿では,#SMM4H (Social Media Mining for Health) 2024 Workshopのタスク3とタスク5への参加について述べる。
タスク3は、屋外環境が社会不安の症状に与える影響を議論するツイートを中心にした多クラス分類タスクである。
タスク5は、子供の医学的障害を報告しているツイートに焦点を当てたバイナリ分類タスクを含む。
BART-baseやT5-smallのような事前訓練されたエンコーダデコーダモデルからの転送学習を適用し、与えられたツイートの集合のラベルを同定した。
論文 参考訳（メタデータ） (2024-04-30T17:06:20Z) - VIBE: Topic-Driven Temporal Adaptation for Twitter Classification [9.476760540618903]
我々は、過去のデータに基づいてトレーニングされたモデルが将来テストされる時間適応について研究する。
我々のモデルは、わずか3%のデータしか持たないが、従来の最先端の継続的な事前学習方法よりも大幅に優れていた。
論文 参考訳（メタデータ） (2023-10-16T08:53:57Z) - NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision
Research [96.53307645791179]
我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。
分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。
NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
論文 参考訳（メタデータ） (2022-11-15T18:57:46Z) - Team Phoenix at WASSA 2021: Emotion Analysis on News Stories with
Pre-Trained Language Models [1.6536018920603175]
WASSA 2021共有タスクのシステムエントリーについて説明します。
提案モデルは,平均ピアソンスコア0.417,マクロf1スコア0.502をトラック1とトラック2で達成した。
論文 参考訳（メタデータ） (2021-03-10T14:00:54Z) - Temporally Correlated Task Scheduling for Sequence Learning [143.70523777803723]
多くのアプリケーションにおいて、シーケンス学習タスクは通常、複数の時間的に相関した補助タスクと関連付けられている。
シーケンス学習に学習可能なスケジューラを導入し、トレーニングのための補助的なタスクを適応的に選択できる。
本手法は,同時翻訳とストックトレンド予測の性能を著しく向上させる。
論文 参考訳（メタデータ） (2020-07-10T10:28:54Z) - How Useful is Self-Supervised Pretraining for Visual Tasks? [133.1984299177874]
我々は、総合的な合成データセットと下流タスクにまたがる様々な自己教師付きアルゴリズムを評価する。
我々の実験は、利用可能なラベルの数が増えるにつれて、セルフスーパービジョンの有用性がどう変化するかについての洞察を提供する。
論文 参考訳（メタデータ） (2020-03-31T16:03:22Z)
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。