論文の概要: Can Zero-Shot LLMs Predict Child Malnutrition? A Fairness and Temporal Robustness Study

• arxiv url: http://arxiv.org/abs/2607.29082v1
• Date: Fri, 31 Jul 2026 07:06:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.641276
• Title: Can Zero-Shot LLMs Predict Child Malnutrition? A Fairness and Temporal Robustness Study
• Title（参考訳）: ゼロショットLLMは小児栄養失調を予測できるか? : 公平性と時間的ロバスト性の研究
• Abstract要約: 子どもの栄養失調は、低所得国や中所得国、特に南アジアにおいて主要な公衆衛生上の課題である。 本研究は,子どものスタント予測のためのゼロショット設定において,事前訓練された大言語モデル(LLM)の有効性,公平性,時間的堅牢性を評価することを目的とする。
• 参考スコア（独自算出の注目度）: 0.5442955439283729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Child malnutrition remains a major public health challenge in low- and middle-income countries, particularly in South Asia, where early identification of vulnerable children is critical for timely intervention and resource allocation. This study aims to evaluate the feasibility, fairness, and temporal robustness of using a pretrained large language model (LLM) in a zero-shot setting for child stunting prediction using population health survey data. Using Bangladesh Demographic and Health Survey (BDHS) data collected between 2007 and 2022, we transformed maternal, child, healthcare, and household characteristics into semantically interpretable prompt-based representations and evaluated GPT-4o-mini for zero-shot stunting prediction, comparing its performance against a random forest baseline and assessing fairness across demographic and socioeconomic groups as well as temporal robustness across survey waves. The results demonstrate that zero-shot inference using GPT-4o-mini achieved comparable balanced accuracy to the supervised baseline while exhibiting substantially higher sensitivity for identifying stunting cases, relatively consistent performance across child sex groups, and stable predictive behaviour across BDHS waves; however, important fairness disparities were observed across residence and household wealth categories, highlighting the need for further investigation before deployment of foundation models in public health prediction settings.
• Abstract（参考訳）: 子どもの栄養失調は、低所得国や中所得国、特に南アジアにおいて主要な公衆衛生上の課題であり、脆弱な子供の早期発見は、タイムリーな介入と資源配分に不可欠である。 本研究は,集団健康調査データを用いた子どものスタント予測のためのゼロショット設定において,事前訓練された大言語モデル(LLM)の有効性,公平性,時間的堅牢性を評価することを目的とする。 2007年から2022年の間に収集されたバングラデシュのデモグラフィック・ヘルスサーベイ(BDHS)データを用いて、母国、子供、医療、家庭の特徴を意味論的に解釈可能なプロンプトベース表現に変換し、ゼロショットスタント予測のためにGPT-4o-miniを評価した。 その結果、GPT-4o-miniを用いたゼロショット推論は、スタント事件の特定、児童性グループ間の相対的なパフォーマンス、BDHS波間の安定した予測行動に極めて高い感度を示しながら、教師付きベースラインに匹敵するバランスの取れた精度を達成できた。

関連論文リスト

• Who Became Financially Vulnerable After COVID-19? A Population-Level Machine Learning Analysis Using MEPS Data [0.043340169930181166]
  米国では医療費が問題となっている。 金融の脆弱性は貧困状態、保険保険、処方薬の消費と強く関連していた。
  論文  参考訳（メタデータ） (2026-07-16T20:38:26Z)
• Multilevel Determinants of Overweight and Obesity Among U.S. Children Aged 10-17: Comparative Evaluation of Statistical and Machine Learning Approaches Using the 2021 National Survey of Children's Health [0.2538209532048867]
  全国小児健康調査から10～17歳児18,792例の分析を行った。 肥満は、食事、身体活動、睡眠、親のストレス、社会経済的条件、悪体験、近隣特性などを含むBMIカテゴリーで定義されている。 AUC,精度,精度,リコール,F1スコア,ブライアスコアを用いて評価を行った。
  論文  参考訳（メタデータ） (2026-02-23T19:31:44Z)
• Deep learning outperforms traditional machine learning methods in predicting childhood malnutrition: evidence from survey data [2.3951444869691594]
  本研究は, 栄養失調を識別するための機械学習および深層学習方法論の総合的評価を初めて行った。 栄養失調の主要な予測要因は、母系教育、家計資産指数、児童年齢であり、次いで地理的特徴である。 提案手法は、持続可能な開発目標に向けたネパールの進歩を支援し、世界中で同様の低リソース設定のための転送可能な方法論テンプレートを提供する。
  論文  参考訳（メタデータ） (2026-02-11T00:04:22Z)
• Explainable Machine Learning for Pediatric Dental Risk Stratification Using Socio-Demographic Determinants [0.0]
  方法: 人口レベルの小児データを用いて, 年齢, 収入と収益の比率, 人種・民族性, 性別, 医療歴などを用いて, 教師付き機械学習モデルを訓練した。 モデルは、高い確率レベルでリスクを過小評価する保守的なキャリブレーションによって、控えめな差別を達成した。
  論文  参考訳（メタデータ） (2026-01-18T13:40:41Z)
• Interpretable Graph-Language Modeling for Detecting Youth Illicit Drug Use [51.696842592898804]
  十代の若者や若者(TYA)の間での違法薬物使用は、公衆衛生上の問題となっている。 TYAの違法薬物使用を検出するため、研究者は若者のリスク行動調査(YRBS)や全米薬物使用・健康調査(NSDUH)などの大規模調査を分析した。 既存のモデリング手法は、潜伏構造と相互接続構造を見渡すことで、調査変数を独立に扱う。 LAMIは違法薬物の使用を検知し、TYA間の行動危険因子を解釈するための新しいグラフ言語モデリングフレームワークである。
  論文  参考訳（メタデータ） (2025-10-11T17:29:50Z)
• Interpretable Machine Learning for Life Expectancy Prediction: A Comparative Study of Linear Regression, Decision Tree, and Random Forest [0.0]
  本研究では、線形回帰(LR)、回帰決定木(RDT)、ランダムフォレスト(RF)の3つの機械学習モデルを評価する。 RFは最大予測精度(R2 = 0.9423$)を達成し、LRとRTTを大きく上回る。 これらの洞察は、公衆衛生上の課題に対処する上で、アンサンブル手法と透明性の相乗効果を強調している。
  論文  参考訳（メタデータ） (2025-10-01T06:02:31Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• IA-GCN: Interpretable Attention based Graph Convolutional Network for Disease prediction [47.999621481852266]
  タスクに対する入力特徴の臨床的関連性を解釈する,解釈可能なグラフ学習モデルを提案する。 臨床シナリオでは、そのようなモデルは、臨床専門家が診断および治療計画のためのより良い意思決定を支援することができる。 本研究では,Tadpoleの平均精度が3.2%,UKBBジェンダーが1.6%,UKBB年齢予測タスクが2%と,比較方法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-29T13:04:02Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。