論文の概要: Ground Truths in Suicide Research: The Current State of AI-Based Suicide Detection in Social Media
- arxiv url: http://arxiv.org/abs/2606.28334v1
- Date: Tue, 26 May 2026 16:05:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:12.958604
- Title: Ground Truths in Suicide Research: The Current State of AI-Based Suicide Detection in Social Media
- Title（参考訳）: 自殺研究における地中真実:ソーシャルメディアにおけるAIによる自殺検出の現状
- Abstract要約: 人工知能の最近の進歩は、大規模に自殺リスクを検出する能力に対する楽観主義の高まりにつながっている。
本稿では、ソーシャルメディアにおけるAIによる自殺検知に関する現在の研究の合成について述べる。
- 参考スコア（独自算出の注目度）: 11.132513648884258
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent advances in artificial intelligence (AI) and social media data have led to growing optimism about the ability to detect suicide risk at scale. However, the empirical foundations of this work remain unclear. This article provides a synthesis of current research on AI-based suicide detection in social media, drawing on a recent umbrella review of 22 systematic reviews covering studies up to 2022, alongside an ongoing literature review extending the analysis to more recent work. Across these sources, we identified 195 relevant studies, which are documented in a detailed supplementary dataset outlining their key characteristics and findings (see Supplementary Information). Analysis of these studies reveals consistent patterns, including rapid growth, concentration on a small number of platforms, reliance on textual and English-language data, and repeated use of similar datasets. Most importantly, the majority of studies rely on indirect labeling strategies that do not involve direct, individual-level validation of suicide risk. Instead, ground truth is typically inferred from observable features of online content, such as linguistic markers or community membership. As a result, the predictive task often shifts from identifying individuals at risk to classifying posts that contain suicidal or distress-related language, limiting the ability of current approaches to detect individuals who do not express such content explicitly online. These findings suggest that current advances in model performance should be interpreted with caution. Progress in this field is likely to depend less on improving model performance and more on ensuring that model predictions meaningfully correspond to suicide risk as it is experienced in real life.
- Abstract（参考訳）: 人工知能(AI)とソーシャルメディアデータの最近の進歩は、大規模に自殺リスクを検出する能力に対する楽観主義の高まりにつながっている。
しかし、この作品の実証的な基礎はいまだに不明である。
本稿では、ソーシャルメディアにおけるAIベースの自殺検知に関する現在の研究の合成について、2022年までの研究を網羅する22の体系的なレビューの最近の傘レビューと、分析をより最近の研究に拡張する進行中の文献レビューについて述べる。
これらの資料から, 重要な特徴と知見を概説した詳細な補足データセット(補足情報参照)に記載された関連研究195件を同定した。
これらの分析は、急速な成長、少数のプラットフォームへの集中、テキストと英語のデータへの依存、類似したデータセットの繰り返しの使用など、一貫したパターンを明らかにしている。
最も重要なことは、ほとんどの研究は、直接的かつ個人レベルの自殺リスクの検証を伴わない間接的なラベリング戦略に依存していることである。
代わりに、地上の真実は典型的には、言語マーカーやコミュニティメンバーシップのような、オンラインコンテンツの観察可能な特徴から推測される。
結果として、予測タスクは、リスクのある個人を識別することから、自殺や苦悩に関連する言語を含むポストの分類へと移行し、そのようなコンテンツを明示的にオンラインに表現していない個人を検出できる現在のアプローチの能力を制限している。
これらの結果から, モデル性能の最近の進歩は, 慎重に解釈すべきであることが示唆された。
この分野での進歩は、モデルパフォーマンスの改善よりも、モデル予測が実際の生活で経験した自殺リスクに有意義に対応することの確保にかかっている可能性が高い。
関連論文リスト
- Suicidal Comment Tree Dataset: Enhancing Risk Assessment and Prediction Through Contextual Analysis [3.381709265589592]
本研究では,コメントツリー内の情報がユーザの自殺リスクレベルの識別と予測にどのように影響するかを検討する。
Redditをソースとした高品質な注釈付きデータセットを構築し、ユーザの投稿履歴とコメントを組み込んだ。
このデータセットの統計的解析とLarge Language Models (LLMs) 実験の結果から, コメントツリーデータの導入は, ユーザの自殺リスクレベルの識別と予測を著しく向上させることが示された。
論文 参考訳（メタデータ） (2025-10-16T07:47:03Z) - Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。
因果効果は肯定的か否定的か?
本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
論文 参考訳（メタデータ） (2025-05-30T07:13:01Z) - Machine Learning Applications Related to Suicide in Military and Veterans: A Scoping Literature Review [15.581887722451697]
自殺は、現役軍人や退役軍人の死亡の主な予防可能な原因の1つである。
機械学習技術は、最近この分野で有望な成果を上げている。
論文 参考訳（メタデータ） (2025-05-18T03:38:33Z) - Adversarial Alignment for LLMs Requires Simpler, Reproducible, and More Measurable Objectives [52.863024096759816]
相反する研究目的は、過去10年間に敵対的堅牢性研究の進展を妨げてきた。
我々は、対立するアライメントの有意義な進展には、リアライメントの目的が必要であると論じる。
論文 参考訳（メタデータ） (2025-02-17T15:28:40Z) - Model Inversion Attacks: A Survey of Approaches and Countermeasures [69.18069679327263]
近年、新しいタイプのプライバシ攻撃であるモデル反転攻撃(MIA)は、トレーニングのためのプライベートデータの機密性を抽出することを目的としている。
この重要性にもかかわらず、総合的な概要とMIAに関する深い洞察を提供する体系的な研究が欠如している。
本調査は、攻撃と防御の両方において、最新のMIA手法を要約することを目的としている。
論文 参考訳（メタデータ） (2024-11-15T08:09:28Z) - SOS-1K: A Fine-grained Suicide Risk Classification Dataset for Chinese Social Media Analysis [22.709733830774788]
本研究では,自殺リスクの詳細な分類を目的とした,中国のソーシャルメディアデータセットを提案する。
事前訓練した7つのモデルについて, 自殺リスクが高い, 自殺リスクが少ない, 自殺リスクの細かい分類が0～10の2つのタスクで評価された。
ディープラーニングモデルは高い自殺リスクと低い自殺リスクを区別する上で優れた性能を示し、最良のモデルはF1スコア88.39%である。
論文 参考訳（メタデータ） (2024-04-19T06:58:51Z) - Non-Invasive Suicide Risk Prediction Through Speech Analysis [74.8396086718266]
自動自殺リスク評価のための非侵襲的音声ベースアプローチを提案する。
我々は、wav2vec、解釈可能な音声・音響特徴、深層学習に基づくスペクトル表現の3つの特徴セットを抽出する。
我々の最も効果的な音声モデルは、6.6.2,%$のバランスの取れた精度を達成する。
論文 参考訳（メタデータ） (2024-04-18T12:33:57Z) - DPP-Based Adversarial Prompt Searching for Lanugage Models [56.73828162194457]
Auto-Regressive Selective Replacement Ascent (ASRA)は、決定点プロセス(DPP)と品質と類似性の両方に基づいてプロンプトを選択する離散最適化アルゴリズムである。
6種類の事前学習言語モデルに対する実験結果から,ASRAによる有害成分の抽出の有効性が示された。
論文 参考訳（メタデータ） (2024-03-01T05:28:06Z) - Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳（メタデータ） (2023-11-16T07:22:56Z) - An ensemble deep learning technique for detecting suicidal ideation from
posts in social media platforms [0.0]
本稿ではLSTM-Attention-CNN複合モデルを提案する。
提案されたモデルは90.3%の精度、F1スコア92.6%の精度を示した。
論文 参考訳（メタデータ） (2021-12-17T15:34:03Z) - Quantifying the Suicidal Tendency on Social Media: A Survey [0.0]
自殺は早産だが予防可能な死因の1つである。
近年の研究では、ソーシャルメディアデータのマイニングが、利用者の自殺傾向の定量化に役立っていることが示されている。
本書は、精神医療の分類を解明し、ソーシャルメディアデータにおける自殺傾向の定量化の可能性を検討するための最近の試みを強調している。
論文 参考訳（メタデータ） (2021-10-04T12:26:14Z)
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。