論文の概要: Automatic Detection of Deaths from Social Networking Sites
- arxiv url: http://arxiv.org/abs/2608.05183v1
- Date: Wed, 01 Jul 2026 14:25:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.160858
- Title: Automatic Detection of Deaths from Social Networking Sites
- Title（参考訳）: ソーシャルネットワーキングサイトからの死亡を自動的に検出する
- Abstract要約: 反省会前のツイートと反省会後のツイートは同様の肯定的な感情のレベルを示すが、反省会後のツイートは高い否定的な感情を示す。
また、死後のつぶやきでは、言葉、人称代名詞、動詞、家語、宗教語、死語、誓いの言葉がより頻繁に起こることが判明した。
- 参考スコア（独自算出の注目度）: 10.40711309985343
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This dissertation analysed and discussed the differences in linguistic characteristics between pre-mortem and post-mortem social media content, and reported machine learning (ML) classifiers that achieved high performance in automatically detecting deaths of social networking site users from posts associated with their profiles. A new dataset was developed using Wikidata and Twitter. ML models, both traditional (RF, KNN, LR, and SVM) and deep learning (BiLSTM, CNN, and the state-of-the-art BERT), were trained on features extracted using TF-IDF and pre-trained embeddings (Glove, Word2Vec, and FastText) to classify post-mortem content from its pre-mortem counterpart. The results showed that RF outperformed all other traditional ML models; BiLSTM outperformed CNN; TF-IDF consistently outperformed pre-trained word embeddings for the traditional models; Word2Vec consistently outperformed Glove and FastText for the deep learning models; and BERT outperformed all other models. It was found that although pre-mortem and post-mortem tweets express similar levels of positive sentiment, post-mortem tweets exhibit higher negative sentiment, whereas pre-mortem tweets exhibit higher neutral sentiment. Feelings suggesting negativity (sad, angry, surprise, and fear) are more dominant in post-mortem tweets, while happy is more dominant in pre-mortem tweets. It was also found that words, personal pronouns, verbs, family words, religious words, death words, and swear words occur more frequently in post-mortem tweets, whereas impersonal pronouns and informal words occur more frequently in pre-mortem tweets. Additionally, analytical thinking is expressed more in post-mortem than pre-mortem conversations. This experiment's significant contribution is the successful development of an exceptionally high-performing technique for automatically detecting user deaths on social networking sites.
- Abstract（参考訳）: この論文は, 死前と死後のソーシャルメディアコンテンツ間の言語的特徴の違いを分析し, プロフィールに関連のある投稿からソーシャルネットワーク利用者の死亡を自動的に検出する機械学習(ML)分類器を報告した。
WikidataとTwitterを使って新しいデータセットを開発した。
従来の機械学習モデル(RF, KNN, LR, SVM)とディープラーニング(BiLSTM, CNN, 最先端BERT)は、TF-IDFと事前訓練された埋め込み(Glove, Word2Vec, FastText)を用いて抽出された特徴に基づいて、モーテム前のコンテンツからモーテム後のコンテンツを分類するために訓練された。
その結果、RFは従来のMLモデルで、BiLSTMはCNNで、TF-IDFは従来のモデルで、トレーニング済みの単語埋め込みでは一貫して、Word2Vecは深層学習モデルではGloveとFastTextで、BERTは他のモデルで、それぞれ優れた成績を示した。
反省会前ツイートと反省会後ツイートは同様の肯定的な感情を示すが、反省会後ツイートはより否定的な感情を示すのに対し、反省会前ツイートはより中立的な感情を示す。
否定性(悲しみ、怒り、驚き、恐怖)を示唆する感情は、死後のツイートではより支配的である一方、幸福は死後のツイートではより支配的である。
また、語、人称代名詞、動詞、家族語、宗教語、死語、誓い語は死後のつぶやきではより頻繁に起こるのに対し、非人称代名詞や非公式語は死後のつぶやきではより頻繁に起こることが判明した。
さらに、分析的思考は、死後の会話よりも死後の会話で表現される。
この実験の重要な貢献は、ソーシャルネットワーク上でのユーザ死を自動的に検出する非常に高いパフォーマンス技術の開発に成功したことである。
関連論文リスト
- From Bytes to Ideas: Language Modeling with Autoregressive U-Nets [49.16552366851748]
トークン化は入力テキストに一定の粒度を課す。
オートレグレッシブなU-Netを導入し、トレーニング中に独自のトークンを埋め込むことを学びます。
論文 参考訳（メタデータ） (2025-06-17T17:55:11Z) - Tracing Multilingual Factual Knowledge Acquisition in Pretraining [83.93508231653091]
大規模言語モデル(LLM)は、事前学習データに存在する多言語事実知識をリコールすることができる。
我々は,OLMo-7Bに焦点をあてて,事前学習中に現実のリコールと言語間の整合性がどのように進化するかを辿った。
ほとんどの言語では、正確性と一貫性が時間の経過とともに向上していることが分かりました。
論文 参考訳（メタデータ） (2025-05-20T18:39:56Z) - Decay No More: A Persistent Twitter Dataset for Learning Social Meaning [10.227026799075215]
社会意味のための英語Twitterデータセット(PTSM)を提案する。
PTSMは17ドルのソーシャル意味データセットと10ドルのタスクカテゴリで構成されている。
我々は2つのSOTA事前訓練言語モデルを用いて実験を行い、PTSMが実際のツイートをパラフレーズに置換し、性能損失を極端に抑えることを示した。
論文 参考訳（メタデータ） (2022-04-10T06:07:54Z) - Better Language Model with Hypernym Class Prediction [101.8517004687825]
クラスベース言語モデル (LM) は、コンテキストの疎結合に$n$-gramのLMで対処するために長年開発されてきた。
本研究では,このアプローチをニューラルLMの文脈で再考する。
論文 参考訳（メタデータ） (2022-03-21T01:16:44Z) - Exploiting Twitter as Source of Large Corpora of Weakly Similar Pairs
for Semantic Sentence Embeddings [3.8073142980733]
本稿では,言語に依存しない2組の非公式テキストのデータセットを構築する手法を提案する。
ツイートの返信と引用という、Twitterの本質的な強力な関連性のシグナルを利用しています。
我々のモデルは古典的セマンティックテキスト類似性を学習するだけでなく、文のペアが正確なパラフレーズではないタスクにも長けている。
論文 参考訳（メタデータ） (2021-10-05T13:21:40Z) - Efficacy of BERT embeddings on predicting disaster from Twitter data [0.548253258922555]
救助機関はソーシャルメディアを監視し、災害を特定し、生命のリスクを減らす。
人間が大量のデータを手動でチェックし、災害をリアルタイムで特定することは不可能である。
先進的な文脈埋め込み法(BERT)は、同じ単語に対する異なるベクトルを異なる文脈で構築する。
BERT埋め込みは、従来の単語埋め込みよりも災害予測タスクにおいて最良の結果をもたらす。
論文 参考訳（メタデータ） (2021-08-08T17:44:29Z) - Offensive Language and Hate Speech Detection with Deep Learning and
Transfer Learning [1.77356577919977]
我々は、ツイートを自動的に3つのクラスに分類するアプローチを提案する。
我々は、テキスト分類、感情チェック、テキストデータ拡張を含む主要な機能を含むクラスモジュールを作成する。
論文 参考訳（メタデータ） (2021-08-06T20:59:47Z) - Sentiment analysis in tweets: an assessment study from classical to
modern text representation models [59.107260266206445]
Twitterで公開された短いテキストは、豊富な情報源として大きな注目を集めている。
非公式な言語スタイルや騒々しい言語スタイルといったそれらの固有の特徴は、多くの自然言語処理(NLP)タスクに挑戦し続けている。
本研究では,22データセットの豊富なコレクションを用いて,ツイートに表される感情を識別する既存言語モデルの評価を行った。
論文 参考訳（メタデータ） (2021-05-29T21:05:28Z) - TweetBERT: A Pretrained Language Representation Model for Twitter Text
Analysis [0.0]
我々は、何百万ものツイートで事前訓練されたドメイン固有言語プレゼンテーションモデルである2つのTweetBERTモデルを紹介した。
TweetBERTモデルは、Twitterのテキストマイニングタスクにおける従来のBERTモデルよりも、各Twitterデータセットで7%以上優れています。
論文 参考訳（メタデータ） (2020-10-17T00:45:02Z) - Improving Sentiment Analysis over non-English Tweets using Multilingual
Transformers and Automatic Translation for Data-Augmentation [77.69102711230248]
我々は、英語のつぶやきを事前学習し、自動翻訳を用いてデータ拡張を適用して非英語の言語に適応する多言語トランスフォーマーモデルを提案する。
我々のフランス語、スペイン語、ドイツ語、イタリア語での実験は、この手法が非英語のツイートの小さなコーパスよりも、トランスフォーマーの結果を改善する効果的な方法であることを示唆している。
論文 参考訳（メタデータ） (2020-10-07T15:44:55Z)
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。