論文の概要: Auditing Construct Overlap in Explainable Machine Learning: Evidence from Burnout-Depression Prediction Across Student Cohorts

• arxiv url: http://arxiv.org/abs/2607.10633v1
• Date: Sun, 12 Jul 2026 07:56:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.48894
• Title: Auditing Construct Overlap in Explainable Machine Learning: Evidence from Burnout-Depression Prediction Across Student Cohorts
• Title（参考訳）: 説明可能な機械学習におけるオーディエンスオーバーラップ:学生コホート間のバーンアウト・デプレッション予測からの証拠
• Abstract要約: 我々は、ElasticNetパイプラインが明らかにローバストでクロスポピュレーション可能なリスク階層を生成する方法を示す。 パイプラインは、結果が測定された場所において、特性不安と健康満足度が支配される階層を生成する。
• 参考スコア（独自算出の注目度）: 0.7734726150561088
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explainable machine learning (XML) pipelines applied to composite mental health outcomes can produce apparently-robust, cross-population-stable risk hierarchies that are largely artefacts of how the outcome was constructed. We demonstrate this using an ElasticNet pipeline applied to 886 medical students at the University of Lausanne (primary cohort, 2022), validated across 2,580 longitudinal observations at three time points and 701 non-medical students from eight faculties; all three datasets share identical instruments. The pipeline produces a hierarchy in which trait anxiety and health satisfaction dominate wherever the outcome is measured, with Kendall $τ= 1.0$ for the top-two positions across all five evaluation sets and consistent transfer performance ($R^2$: 0.41-0.49). Two residualization experiments, which isolate shared variance between correlated variables via regression, reveal the mechanism: when trait anxiety (STAI-T) is residualized against the co-included depression subscale (CES-D, $r = 0.72$), model $R^2$ drops from 0.41 to 0.16 and STAI-T falls from rank 1 to rank 6; when burnout subscales are residualized against CES-D, $R^2$ collapses to 0.016. Prediction intervals average 35.4 units on a 0-100 scale (2.4 outcome standard deviations), independently ruling out individual-level deployment. The residualization protocol is the paper's transferable contribution: any XAI study combining correlated predictor and outcome constructs should apply this check before interpreting apparent stability as a finding.
• Abstract（参考訳）: 複合的なメンタルヘルスの成果に適用される説明可能な機械学習(XML)パイプラインは、その結果がどのように構築されたかのアーティファクトである、明らかにバラバラで、人口間の安定なリスク階層を生成することができる。 ローザンヌ大学(2022年4月号)の886人の医学生を対象にしたElasticNetパイプラインを用いて,8学部の701人の医学生と2,580人の縦断的な観察を行った。 パイプラインは特性不安と健康満足度が測定された場所において支配的な階層を形成し、Kendall $τ=1.0$は5つの評価セットの上位2位と一貫した転送性能(R^2$: 0.41-0.49)である。 特性不安(STAI-T)が共包型うつ病サブスケール(CES-D, $r = 0.72$)に対して残留すると、モデル$R^2$が0.41から0.16に低下し、STAI-Tが1から6に低下し、バーンアウトサブスケールがCES-Dに対して残留すると、$R^2$が0.016に崩壊する。 予測間隔は0-100スケール(2.4結果標準偏差)で平均35.4ユニットであり、個別レベルの展開を独立に除外している。 相関予測器と結果構成を組み合わせたXAI研究は、発見として明らかな安定性を解釈する前に、このチェックを適用するべきである。

関連論文リスト

• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [66.44527094471619]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• OmniMed-FL: A Robust Multimodal Federated Learning Framework for Clinical Diagnosis [17.411567668075577]
  OmniMed-FLは,5段階の臨床条件分類のためのマルチモーダル学習の制御システムである。 本研究のプロキシコーパスでは, 患者ではなくクラス別に, 3000の公衆胸部X線写真と3,000のクラスFOLD合成ノートを照合した。 すべてのノートは合成され、ペアリングは患者レベルではないため、これらは記述的なプロキシ比較であり、診断性能やデプロイメントの準備ができていない。
  論文  参考訳（メタデータ） (2026-09-09T15:56:26Z)
• Learning a Continuous Sepsis Severity Score Without Hour-by-Hour Supervision: A Two-Site Retrospective Study [6.58570893992725]
  現在使われているセプシスの重症度指数は、数十年前に確立された固定変数と重みに依存している。 72時間処理ウィンドウ上で43変数を正規チャート化して死亡率の指標を作成した。 乳酸濃度の変化は乳酸濃度の変化と相関した。
  論文  参考訳（メタデータ） (2026-08-27T17:46:21Z)
• ConRub-Med: Reinforcement Learning with Consensus Rubrics for Open-Ended Medical Question Answering [33.27644708906731]
  検証可能な報酬を伴う強化学習は数学やコーディングにおいて特に効果的である。 ConRub-Medを導入し,建設から政策最適化へのルーブリックフィードバックの移動に伴い,有用性を維持する。 ConRub-Medは9つのベンチマークのうち6つにランクインしている。
  論文  参考訳（メタデータ） (2026-08-11T14:48:15Z)
• WDL-OPD: Weak-Driven On-Policy Distillation via Mixture-Constrained Co-Training [48.290951447286744]
  WDL-OPDは2つの訓練可能なポリシーを持つ混合制約付き協調訓練法である。 アンカーポリシはロールアウト毎に生成し、補助ポリシは同じ訪問状態を評価し、それらのトークン分布の幾何学的混合を逆KLで凍結教師にマッチングする。 凍結はPD$2とW2S-OPDと密接に関連するアンカープラスコントラストのプロキシターゲットを回復させるが,ジョイントトレーニングは静的デルタが表現できない分岐レベル自由度を生成する。
  論文  参考訳（メタデータ） (2026-08-10T11:22:53Z)
• KAISEN: Reproducible Subgroup Fairness Auditing for Clinical Risk Models [0.0]
  KAISENは、サブグループの成層、不均質の測定、メカニズム診断、ポストホック緩和、ドリフトモニタリングを含む5段階の監査パイプラインである。 すべての結果は、既知の根拠の真実と共に合成され、臨床的妥当性が確立されない。
  論文  参考訳（メタデータ） (2026-07-30T17:57:18Z)
• Scaffold splits hide structural-frontier failures in ADMET models [25.408600489964726]
  我々は,最も広く,最も物理化学的に遠隔的な足場群を予約するラベルフリーな構造フロンティアスプリットを導入する。 ADMETタスクを6つの公開実験またはキュレートしたADMETタスクで評価した。
  論文  参考訳（メタデータ） (2026-07-12T12:25:50Z)
• Inverse Reinforcement Learning for Interpretable Keystroke Biomarkers in Parkinson's Disease [0.0]
  キーストローク力学はパーキンソン病(PD)の受動デジタルバイオマーカーとして広く研究されている。 逆強化学習(IRL)をキーストロークデータに適用し、各キーストロークをタイピング速度やリカバリよりも決定的な選択としてモデル化する。 我々の知る限り、これはIRLのキーストローク力学への最初の応用である。
  論文  参考訳（メタデータ） (2026-06-24T01:11:05Z)
• Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
  二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。 すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。 ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
  論文  参考訳（メタデータ） (2026-06-11T09:55:57Z)
• Let the Results Speak: A Replication-First Paradigm for LLM Behavioral Benchmarking [22.825786049667602]
  本稿では,1つのヒト・ラタのコンセンサスに有効性を確保するために,複製第一パラダイムを提案する。 楽器を4つの特性で認証する - Kランの信頼性、アーキテクチャ的に異なる審査員間のクロスインストラクトレプリケーション、以前のトレーニングコホートからの審査員による歴史的フットプリントキャリブレーション、事前登録された予測。 本研究は, 自己発達型データ駆動による情緒的伴奏で, 次元は事前に決められず, 手順は9次元に安定化する。
  論文  参考訳（メタデータ） (2026-05-27T03:41:11Z)
• Reliable Extraction of Clinical Follow-Up Instructions: A Hybrid Neural-Symbolic Pipeline [43.0484058393522]
  我々は,ニューラルシンボリックなハイブリッドパイプラインを直接生成に対して試験する。 本研究は,2000点の合成外用コーパスについて検討した。
  論文  参考訳（メタデータ） (2026-05-26T05:14:33Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• Bayesian X-Learner: Calibrated Posterior Inference for Heterogeneous Treatment Effects under Heavy-Tailed Outcomes [0.0]
  X-ラーナー(X-ラーナー、X-ラーナー、X-ラーナー、X-ラーナー、X-ラーナー、X-ラーナー、X-ラーナー、X-ラーナー、X-ラーナー。 20-25%の尾密度を持つ汚染された「鯨」DGPでは、ハマーのミニマックス=$の関係でハマー=$損失を選択する1フラグ拡張 (contamination_severity) が厳密な信頼区間を持つ$(x)$を回復する。
  論文  参考訳（メタデータ） (2026-04-30T04:07:11Z)
• GSAR: Typed Grounding for Hallucination Detection and Recovery in Multi-Agent LLMs [0.0]
  クレームを4方向のタイポロジー(接地,非接地,矛盾,相補的)に分割する基盤性フレームワークを提案する。 GSARは、明示的な計算予算の下で、結合された回復を伴うエビデンス型スコアリングを結合した最初の基盤フレームワークである。
  論文  参考訳（メタデータ） (2026-04-25T16:20:28Z)
• PsychBench: Auditing Epidemiological Fidelity in Large Language Model Mental Health Simulations [0.0]
  大きな言語モデルは、臨床訓練、研究、メンタルヘルスツールのために患者をシミュレートするためにますます多くデプロイされている。 LLM患者シミュレーションの最初の疫学的検査である PsychBench を紹介した。 モデルでは, 抽出した個体群を誤って表現しながら, 臨床的に有意な個体を生成できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-19T10:05:25Z)

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。