論文の概要: The Divergence Hypothesis: Unmasking Lexical Interference and Label Bias in Mental Health NLP
- arxiv url: http://arxiv.org/abs/2608.20353v1
- Date: Tue, 16 Jun 2026 21:53:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.278909
- Title: The Divergence Hypothesis: Unmasking Lexical Interference and Label Bias in Mental Health NLP
- Title（参考訳）: 多様性仮説 : 精神保健NLPにおける語彙干渉とラベルバイアスを解き明かす
- Abstract要約: マルチチャネル診断フレームワークであるTSS(Stream Stress probe)を導入する。
TSSはテキストを(A)語彙的文字n-gram、(B)小さく、ほとんど内容のないモルフォ・シンタクティックチャネル、(C)心理言語学的なスタイルチャネルに分解する。
本稿では,ラベルソース推論にエコノメトリを応用した差分差分法であるDegree of Divergence (DoD)を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computational mental health (CMH) classifiers often degrade under distribution shift because human annotators and distant-supervision pipelines reward different linguistic signals. We introduce TSS (Triple-Stream Stress probe), a multi-channel diagnostic framework that decomposes text into (A) lexical character n-grams, (B) a small, mostly content-free morpho-syntactic channel, and (C) a 154-feature psycholinguistic style channel. Across four English datasets (N=12,906), TSS reveals a lexical interference effect: adding lexical features to the style channel reduces Macro-F1 on human-labeled data (mean drop 0.072, p<10^-4) but not on auto-labeled data. We propose Degree of Divergence (DoD), a difference-in-differences statistic adapted from econometrics for label-source auditing, with instance-level bootstrap inference; the headline estimate is DoD(BC-A) = 0.0374, 95% CI [0.0097, 0.0651], p=0.0032. A platform-stratified Twitter-only DoD (which removes the Reddit vs. Twitter contrast) reproduces the pattern with bootstrap inference: DoD-Tw(BC-A) = +0.096 (p<0.001) and DoD-Tw(AC-A) = -0.089 (p<0.001). Interventional masking (pos_only) retains ~95-99% of Channel C's performance after destroying content words on human datasets, indicating that the style channel does not rely primarily on lexical surface form. TSS is positioned as a diagnostic audit framework, not a clinical screening tool: it flags label-source-specific shortcut learning before generalization claims are made.
- Abstract（参考訳）: 計算的メンタルヘルス(CMH)分類器は、人間のアノテータと遠方のスーパービジョンパイプラインが異なる言語信号に報酬を与えるため、分布シフトによって劣化することが多い。
我々は,テキストを(A)語彙のn-gramに分解する多チャンネル診断フレームワークであるTSS(Triple-Stream Stress probe)を紹介した。
TSSは4つの英語データセット(N=12,906)にわたって、語彙的干渉効果を明らかにしている: スタイルチャネルに語彙的特徴を加えると、人間のラベル付きデータ(平均ドロップ0.072, p<10^-4)ではマクロF1が減少するが、自動ラベル付きデータでは減少する。
そこで本研究では,ラベルソース監査にエコノメトリを応用した差分差分法であるDegree of Divergence (DoD)を提案する。
DoD-Tw(BC-A) = +0.096 (p<0.001) と DoD-Tw(AC-A) = -0.089 (p<0.001) である。
インターベンショナルマスキング(pos_only)は、人間のデータセット上のコンテンツワードを破壊した後、Channel Cのパフォーマンスの95-99%を維持しており、スタイルチャネルが主に語彙曲面形式に依存していないことを示している。
TSSは、診断監査フレームワークとして位置づけられており、臨床検査ツールではない。
関連論文リスト
- Same Facts, Different Diagnosis: Measuring and Mitigating Narrative Anchoring in Clinical Language Models [0.15293427903448023]
我々は,1,000USMLE臨床ヴィグネットのデータセットを構築し,それぞれが3つの社会言語学的に異なるペルソナに書き換えた。
ナラティブ・アンチョリングは、テストされた全てのモデルにおいて直接的なプロンプトの下で統計的に有意であり、ナラティブ・アンチョリングギャップは0.064から0.151である。
診断開始前の臨床事実を構造的に抽出し,検証する3エージェントパイプラインであるNarrativeShieldを紹介した。
論文 参考訳（メタデータ） (2026-07-29T18:43:47Z) - Evaluation design conditions the expert-vs-auto MeSH gap: a controlled comparison of bag-of-words and BiomedBERT on the Cohen benchmark [0.0]
我々は3つのトピックについてCohen et al. (2006) の薬物クラスベンチマークを用いて、代替設計の下でスタチンがどのように変化するかを調べる。
トランスフォーマーや10倍の単語バッグを使ったパイプラインのスクリーニングでは、テスト対象のトピックのギャップは約0.02 WSS@95%であり、CIは少なくとも1つのバウンダリでゼロである。
論文 参考訳（メタデータ） (2026-07-23T14:37:23Z) - Identifying Evidence-Based Nudges in Biomedical Literature with Large Language Models [2.2015514798912412]
我々は、非構造化バイオメディカル文献から証拠に基づく行動分類を識別し、抽出するスケーラブルなAI駆動システムを提案する。
栄養は微妙で非強制的な介入であり、選択を制限することなく行動に影響を与える。
論文 参考訳（メタデータ） (2026-02-10T22:36:07Z) - StutterCut: Uncertainty-Guided Normalised Cut for Dysfluency Segmentation [0.0874967598360817]
本稿では,グラフ問題分割問題としてディフルエンシセグメンテーションを定式化する半教師付きフレームワークであるStutterCutを紹介する。
弱い(発話レベル)ラベルに基づいて訓練された擬似オーラル分類器を用いてノード間の接続を洗練する。
フレームレベルのディフルエンシ境界を4つのディフルエンシタイプに組み込むことで、弱いラベル付きFluencyBankデータセットを拡張します。
論文 参考訳（メタデータ） (2025-08-04T10:02:06Z) - DiffRect: Latent Diffusion Label Rectification for Semi-supervised Medical Image Segmentation [47.71546146966071]
半教師型医用画像分割のための潜在ラベル認識モデル(DiffRect)を提案する。
DiffRectをACDC、MS-CMRSEG 2019、Deathlon Prostateの3つの公開データセットで評価した。
論文 参考訳（メタデータ） (2024-07-13T15:27:31Z) - LESS: Label-efficient Multi-scale Learning for Cytological Whole Slide
Image Screening [19.803614403803962]
スライドレベルラベルのみを用いた細胞学的WSI解析において,LESSと呼ばれる弱教師付きラベル効率WSIスクリーニング法を提案する。
スライドレベルのラベルを用いて適切な監視を行い、パッチレベルの特徴の学習を改善する。
病理組織WSIにおける最新のMIL法よりも優れており、細胞学的WSI検診の自動化を実現している。
論文 参考訳（メタデータ） (2023-06-06T05:09:20Z) - Robust T-Loss for Medical Image Segmentation [56.524774292536264]
本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。
提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。
実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
論文 参考訳（メタデータ） (2023-06-01T14:49:40Z) - How Does Pseudo-Labeling Affect the Generalization Error of the
Semi-Supervised Gibbs Algorithm? [73.80001705134147]
擬似ラベル付き半教師付き学習(SSL)におけるGibsアルゴリズムによる予測一般化誤差(ゲンエラー)を正確に評価する。
ゲンエラーは、出力仮説、擬ラベルデータセット、ラベル付きデータセットの間の対称性付きKL情報によって表現される。
論文 参考訳（メタデータ） (2022-10-15T04:11:56Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - Challenges in Automated Debiasing for Toxic Language Detection [81.04406231100323]
バイアスド・アソシエーションは、有害な言語を検出するための分類器の開発において課題となっている。
我々は最近,有害な言語検出に適用されたテキスト分類データセットとモデルに対するデバイアス法について検討した。
我々の焦点は語彙(例えば、誓い言葉、スラー、アイデンティティの言及)と方言マーカー(特にアフリカ系アメリカ人の英語)である。
論文 参考訳（メタデータ） (2021-01-29T22:03:17Z)
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。