論文の概要: Evidence-Grounded Mapping of Multimodal Human Sensing Psychological Transdiagnostic Dimensions

• arxiv url: http://arxiv.org/abs/2608.24903v1
• Date: Wed, 15 Jul 2026 01:40:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.076322
• Title: Evidence-Grounded Mapping of Multimodal Human Sensing Psychological Transdiagnostic Dimensions
• Title（参考訳）: マルチモーダル・ヒューマンセンシングの心理学的診断的次元のエビデンス・グラウンドマッピング
• Abstract要約: モバイルおよびウェアラブルセンシングは、行動の経時的観察を可能にするが、これらの信号を有意義なメンタルヘルス構造に変換することは依然として困難である。 本稿では,大規模言語モデルを用いてB-HiTOP(Bref Hierarchical Taxonomy of Psychopathology, B-HiTOP)の項目プロファイルを作成できるかどうかを評価する。 参加者1日14,592件の事例を作成し、5つのスペクトルで29件のB-HiTOP項目にマルチモーダルエビデンスをアライメントする。
• 参考スコア（独自算出の注目度）: 3.6201810347562273
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile and wearable sensing enables longitudinal observation of behavior, yet translating these signals into meaningful mental health constructs remains difficult. We introduce a clinician-in-the-loop benchmark for evaluating whether large language models (LLMs) can generate evidence-grounded Brief Hierarchical Taxonomy of Psychopathology (B-HiTOP) item profiles from passive sensing, ecological momentary assessment (EMA), and questionnaire evidence. Using the Generalization of Longitudinal Behavior Modeling (GLOBEM) dataset, we construct 14,592 participant-day instances and align multimodal evidence to 29 B-HiTOP items across five spectra. Since GLOBEM lacks B-HiTOP responses, we evaluate evidence compatibility (C) rather than diagnostic accuracy, separating substantive predictions from abstentions when evidence is insufficient for item-level scoring. Two-stage prediction improves C for EMA and questionnaire evidence, but reduces C under passive sensing and combined evidence and produces more conservative score distributions across models, spectra, and evidence settings. Overall, semantic abstraction helps organize heterogeneous self-report evidence while becoming an information bottleneck for indirect behavioral sensing signals.
• Abstract（参考訳）: モバイルおよびウェアラブルセンシングは、行動の経時的観察を可能にするが、これらの信号を有意義なメンタルヘルス構造に変換することは依然として困難である。 本研究では,大規模言語モデル(LLM)が受動的センシング,生態的瞬間評価(EMA),調査証拠から,B-HiTOP(Bref Hierarchical Taxonomy of Psychopathology, B-HiTOP)項目のプロファイルを根拠として生成できるかどうかを評価する。 GLOBEM(Longitudinal Behavior Modeling)データセットの一般化を用いて,14,592件の参加者日例を作成し,29件のB-HiTOP項目を5スペクトルで一致させた。 GLOBEMはB-HiTOP応答を欠いているため、診断精度よりもエビデンス適合性(C)を評価し、アイテムレベルのスコアリングに不十分な場合、実体的予測を禁忌から切り離す。 2段階の予測は、EMAのCとアンケートのエビデンスを改善するが、受動的センシングと組み合わせたエビデンスによりCが減少し、モデル、スペクトル、エビデンス設定にまたがるより保守的なスコア分布が生成される。 全体として、セマンティック抽象化は、間接的な行動感知信号の情報ボトルネックとなりながら、異質な自己報告エビデンスを整理するのに役立つ。

関連論文リスト

• Where Does Retrieval-Based Open-Ended Evaluation Fail? Automatic Taxonomy Induction from Long-Form Medical Answer Factuality Verification [50.168648286292004]
  既存のRAG診断では、金の回答や注釈付き金の証拠が必要であり、どちらもこの体制には存在しない。 オープンエンドのMedExpertデータセットと3つのクローズドエンドデータセットに関するケーススタディに基づいた総合的な2つのデータセットを紹介した。 我々は, LLM-as-Judge を用いた自動パターン誘導パイプラインを適用し, 証拠品質をラベル付けし, 大規模な検証器推論誤差を分類する。
  論文  参考訳（メタデータ） (2026-09-24T19:04:23Z)
• Decoupled Causal Discovery [49.362050391908916]
  本稿では,観測データからの因果発見のためのデカップリング因果発見(DCD)を提案する。 DCDは、重み付け関数を介して非ターゲット変数を分離することにより、マルコフ境界(MB)を直接識別する。 我々はDCDの理論的識別性、健全性、完全性を確立する。
  論文  参考訳（メタデータ） (2026-09-20T10:26:21Z)
• HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
  我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。 HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。 報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-27T23:50:46Z)
• Self-Evolving Human-Centered Framework for Explainable Depression Symptom Annotation [1.4272396412229078]
  本稿では,MDD(Major Depressive Disorder)のための自己進化型エキスパート・ザ・ループアノテーションフレームワークを提案する。 大型言語モデル(LLM)によるラベル付けと専門家による検証を併用する。 テキストレコードから候補エビデンスを選択すること、基準レベルのDSM-5-TR分析、ケースレベルの合成である。
  論文  参考訳（メタデータ） (2026-07-16T16:59:54Z)
• Facet-Level Tracing of Evidence Uncertainty and Hallucination in RAG [8.18791900871137]
  Retrieval-Augmented Generationは、検索された証拠の回答を根拠にして幻覚を減らすことを目的としている。 既存の評価は回答レベルの精度や通過レベルの正確さに重点を置いており、世代間の証拠の使用方法に関する限られた洞察を与えている。 本稿では、各入力質問を原子推論ファセットに分解するQAのためのファセットレベル診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-10T09:59:43Z)
• Tree-of-Evidence: Efficient "System 2" Search for Faithful Multimodal Grounding [1.6365003324232734]
  Inference-time search algorithm that frames interpretability as a individual optimization problem。 ToEは、粗いグループまたはデータの単位をスコアする軽量なEvidence Bottleneckを採用し、モデルの予測を再現するために必要なコンパクトなエビデンスを特定するためにビームサーチを実行する。 スパースエビデンス予算の下では、ToEは他のアプローチよりも高い決定合意と低い確率忠実度誤差を達成する。
  論文  参考訳（メタデータ） (2026-04-09T01:28:14Z)
• Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
  本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。 我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。 ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
  論文  参考訳（メタデータ） (2026-03-18T06:15:35Z)
• DynHD: Hallucination Detection for Diffusion Large Language Models via Denoising Dynamics Deviation Learning [48.77865928715759]
  拡散大言語モデル (D-LLM) は自己回帰モデルに代わる有望な代替品として登場した。 幻覚は 信頼性を損なう重要な問題です 本研究では,これらのギャップを空間的(トケンシーケンス)と時間的(デノナイジングダイナミクス)の両方の観点から橋渡しするDynHDを提案する。
  論文  参考訳（メタデータ） (2026-03-17T12:40:29Z)
• UltrasoundAgents: Hierarchical Multi-Agent Evidence-Chain Reasoning for Breast Ultrasound Diagnosis [14.027321451902734]
  本稿では,UltrasoundAgentsと呼ばれる階層型マルチエージェントフレームワークを提案する。 メインエージェントは、全画像の病変をローカライズし、作物と動物園の操作をトリガーする。 サブエージェントは局所的な視点を分析し、エコー原性パターン、石灰化、境界タイプ、エッジ形態学の4つの臨床的特性を予測する。 メインエージェントは、これらの構造化属性を統合してエビデンスに基づく推論を行い、BI-RADSカテゴリと悪性度予測を出力し、レビュー可能な中間証拠を生成する。
  論文  参考訳（メタデータ） (2026-03-11T15:03:52Z)
• HART: Data-Driven Hallucination Attribution and Evidence-Based Tracing for Large Language Models [4.211691393530721]
  我々は,大規模言語モデルに対する微細な幻覚の帰属とエビデンス検索の枠組みであるHARTを提案する。 HARTは幻覚追跡を、局所化、メカニズム帰属、エビデンス検索、因果トレースの4段階からなる構造化モデリングタスクとして定式化する。 この定式化に基づいて,幻覚追跡に適した最初の構造化データセットを開発した。
  論文  参考訳（メタデータ） (2026-03-06T02:23:55Z)
• Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [60.83579255387347]
  幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。 本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
  論文  参考訳（メタデータ） (2025-04-14T10:06:27Z)

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。