論文の概要: Towards Transparent Mental Health Insights: An Explainable AI Model for Career-Related Depression and Anxiety Among University Students Using Structured Data
- arxiv url: http://arxiv.org/abs/2606.21474v1
- Date: Fri, 19 Jun 2026 14:23:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 13:11:33.669618
- Title: Towards Transparent Mental Health Insights: An Explainable AI Model for Career-Related Depression and Anxiety Among University Students Using Structured Data
- Title（参考訳）: 透明メンタルヘルスインサイトを目指して:構造化データを用いた大学生のキャリア関連抑うつと不安に対する説明可能なAIモデル
- Authors: Arsham Azam, Rasikh Ali, Tayyaba Farhat, Sheeraz Akram,
- Abstract要約: 大学生のキャリア不安と抑うつは、メンタルヘルスや学術的成果への挑戦が増えている。
本研究では,マルチモーダルデータとフェデレートラーニングを用いた説明可能なAIフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.49581497240446293
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Career anxiety and depression among university students present a growing challenge to mental health and academic achievement. This study proposes an Explainable AI (XAI) framework using multimodal data and Federated Learning (FL) to identify early indicators of career-related mental health problems in a privacy-preserving and culturally responsive manner. The framework combines structured behavioral data and facial emotion features from interview videos via an intermediate fusion neural network with attention mechanisms. Label smoothing was applied to improve model generalizability. FL was used across institutions to enable collaborative training without raw data sharing. Evaluation was conducted using the Student Mental Health Survey dataset from university students across Pakistan. Our model attained an F1-score of 89.12%, recall of 86.54%, accuracy of 92.08%, and precision of 91.88%. Using Integrated Gradients and SHAP, the model identified key behavioral markers of depression including avoidance of direct gaze, lower facial expressiveness, and social withdrawal, consistent with psychological theory. This research presents an interpretable, scalable, and context-sensitive AI system for mental health pre-diagnosis with potential integration into student support services globally.
- Abstract（参考訳）: 大学生のキャリア不安と抑うつは、メンタルヘルスや学術的成果への挑戦が増えている。
本研究では、マルチモーダルデータとフェデレートラーニング(FL)を用いた説明可能なAI(XAI)フレームワークを提案する。
このフレームワークは、構造化された行動データとインタビュービデオからの顔の感情特徴を、中間核融合ニューラルネットワークと注意機構によって結合する。
モデル一般化性を向上させるためにラベル平滑化を適用した。
FLは、生のデータ共有なしで協調的なトレーニングを可能にするために、複数の機関で使用された。
パキスタン全土の大学生のメンタルヘルス・サーベイデータセットを用いて評価を行った。
我々のモデルはF1スコア89.12%、リコール86.54%、精度92.08%、精度91.88%に達した。
統合グラディエントとSHAPを用いたモデルでは、直視の回避、顔の表情の低下、社会的離脱など、うつ病の主要な行動マーカーを心理学理論と整合して同定した。
本研究は、世界中の学生支援サービスに統合される可能性のあるメンタルヘルス前診断のための、解釈可能な、スケーラブルで、文脈に敏感なAIシステムを提案する。
関連論文リスト
- ReDepress: A Cognitive Framework for Detecting Depression Relapse from Social Media [48.56586765769052]
ReDepressは、リラプスに焦点を当てた最初の臨床的に検証されたソーシャルメディアデータセットである。
我々の枠組みはうつ病の認知理論に基づいており、注意バイアス、解釈バイアス、記憶バイアス、反省などの構造を取り入れている。
本研究は, 実世界のテキストデータにおける心理学的理論を検証し, 早期再発検出のための認知インフォームド・コンピューティング手法の可能性を明らかにするものである。
論文 参考訳（メタデータ） (2025-09-22T16:33:59Z) - A Comprehensive Review of Datasets for Clinical Mental Health AI Systems [55.67299586253951]
本稿では,AIを活用した臨床アシスタントの訓練・開発に関連する臨床精神保健データセットの総合的調査を行う。
本調査では, 縦断データの欠如, 文化・言語表現の制限, 一貫性のない収集・注釈基準, 合成データのモダリティの欠如など, 重要なギャップを明らかにした。
論文 参考訳（メタデータ） (2025-08-13T13:42:35Z) - A Model-Mediated Stacked Ensemble Approach for Depression Prediction Among Professionals [2.2756398880750055]
うつ病は、特に専門的な環境において、重要な精神的な健康上の問題である。
本研究では,プロの抑うつ分類の予測精度を向上させるため,重ね合わせ型アンサンブル学習手法を提案する。
論文 参考訳（メタデータ） (2025-06-17T12:19:40Z) - 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) - Predicting and Understanding College Student Mental Health with Interpretable Machine Learning [4.136180468780605]
パーソナライズされたmEntalヘルス予測のための最初の解釈可能な階層型mOdelであるI-HOPEを提案する。
I-HOPEは、相互作用ラベルとして定義された5つの行動カテゴリーを通して、生の行動特徴とメンタルヘルスの状態を結合する2段階の階層モデルである。
I-HOPEは,過去最長のモバイルセンシングデータセットであるCollege Experience Studyで評価する。このデータセットは5年間にわたって,パンデミック前と新型コロナウイルスパンデミック前の両方のデータをキャプチャする。
論文 参考訳（メタデータ） (2025-03-11T03:07:37Z) - Digital Phenotyping for Adolescent Mental Health: A Feasibility Study Employing Machine Learning to Predict Mental Health Risk From Active and Passive Smartphone Data [2.2310516973117194]
本研究は,非クリニカル青年期の精神障害を予測するために,アクティブおよびパッシブスマートフォンデータを統合する可能性について検討した。
我々はMindcraftアプリを用いて、内因性障害、摂食障害、不眠症、自殺思考のリスクを予測する。
論文 参考訳（メタデータ） (2025-01-15T15:05:49Z) - MentalArena: Self-play Training of Language Models for Diagnosis and Treatment of Mental Health Disorders [59.515827458631975]
メンタルヘルス障害は世界で最も深刻な病気の1つである。
プライバシーに関する懸念は、パーソナライズされた治療データのアクセシビリティを制限する。
MentalArenaは、言語モデルをトレーニングするためのセルフプレイフレームワークである。
論文 参考訳（メタデータ） (2024-10-09T13:06:40Z) - EmoScan: Automatic Screening of Depression Symptoms in Romanized Sinhala Tweets [0.0]
この研究は、抑うつのリスクがある個人を特定するために、ロマタイズド・シンハラのソーシャルメディアデータの利用を探求する。
言語パターン、感情、行動の手がかりを分析することにより、抑うつ症状の自動スクリーニングのための機械学習ベースのフレームワークが提示される。
論文 参考訳（メタデータ） (2024-03-28T10:31:09Z) - An Annotated Dataset for Explainable Interpersonal Risk Factors of
Mental Disturbance in Social Media Posts [0.0]
ソーシャルメディア上での精神障害に影響を及ぼす人為的リスクファクター(IRF)の分類と説明を伴う注釈付きデータセットの構築とリリースを行う。
我々は,TBeとPBuのパターンをユーザの歴史的ソーシャルメディアプロファイルの感情スペクトルで検出することにより,将来的な研究方向のベースラインモデルを構築し,リアルタイムなパーソナライズされたAIモデルを開発する。
論文 参考訳（メタデータ） (2023-05-30T04:08:40Z)
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。