論文の概要: Interpretable Symptom Vectors for Depression in a Large Language Model

• arxiv url: http://arxiv.org/abs/2609.01832v1
• Date: Tue, 01 Sep 2026 20:07:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.979698
• Title: Interpretable Symptom Vectors for Depression in a Large Language Model
• Title（参考訳）: 大規模言語モデルにおける抑うつのための解釈可能な症状ベクトル
• Abstract要約: 機械的解釈可能性技術を用いてGemma-3-27B-PTの残留ストリームを解析した。 評価された臨床機器から抽出した症状記述間でのアクティベーションを記録した結果,症状群が最も幾何学的に分離していることが判明した。 セマンティック・プロジェクションを用いて、これらの楽器から構築されたシンプレクティックベクトルに、保持された自然主義的なテキストを投影した。
• 参考スコア（独自算出の注目度）: 1.3546242205182983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patients with depression present with diverse symptom profiles, yet clinical practice routinely reduces this variation to a single severity score. Large language models (LLMs) can potentially capture various symptoms and their severity from patient speech. However, how depressive symptoms are represented inside LLMs remains poorly understood, limiting clinical trust. To examine whether internal model activations match clinician judgment, we analyzed the residual stream of Gemma-3-27B-PT using mechanistic interpretability techniques. Recording activations across symptom descriptions drawn from validated clinical instruments, we found that symptom groups geometrically separated the most at layer 21 across multiple distance metrics. Using Semantic Projection, we then projected held-out naturalistic text onto Symptom Vectors constructed from these instruments. The resulting per-symptom coefficients preserved clinician-annotated rank ordering across mood, somatic, and suicidality axes. Furthermore, a single depression vector in Layer 21 separates held-out depressive from non-depressive text (AUC = 0.789), which can be used as an emotional valence gate that restricts symptom projection to depressive speech. These results reveal a decorrelated, clinician-aligned symptom signal readable directly from internal activations, offering a mechanistic foundation for interpretable depression-assessment tools.
• Abstract（参考訳）: うつ病患者は多彩な症状を呈するが、臨床実践は、この変動を1つの重症度スコアに減少させる。 大規模言語モデル(LLM)は、様々な症状や重症度を患者音声から捉えることができる。 しかし, うつ症状がLSM内でどのように表現されるかは理解されていないため, 臨床信頼度は低い。 内部モデルアクティベーションが臨床医の判断に合致するかどうかを調べるため,機械的解釈可能性技術を用いてGemma-3-27B-PTの残留ストリームを解析した。 評価された臨床機器から得られた症状記述間でのアクティベーションを記録した結果, 症状群は, 複数の距離の指標で, 21層で, 幾何的に最も分離されていることがわかった。 セマンティック・プロジェクションを用いて、これらの楽器から構築されたシンプレクティックベクトルに、保持された自然主義的なテキストを投影した。 その結果、症状ごとの係数は、気分、体性、自殺軸にまたがる臨床症状のランクを保った。 さらに、レイヤ21内の単一の抑うつベクトルは、非抑うつテキスト(AUC = 0.789)から抑うつを分離する。 これらの結果から,内的アクティベーションから直接読み取れる非相関な臨床症状信号が得られ,うつ病診断ツールの機械的基礎を提供する。

関連論文リスト

• Psychosis involves a deficit of information compression in connected speech [4.907371324386136]
  言語タスクにおける人間のような性能を持つ大規模言語モデル(LLM)は、神経多様性条件下での言語研究に変化をもたらした。 以前のクロス言語学的証拠は、精神病におけるLSM表現の下位内在的次元性(ID)とより高い平均前提誤差(予測誤差)の両方の形での複雑さの減少を示唆している。 我々は,単語頻度から推定される副詞と副詞の差として,語彙概念の文法的構造に敏感な文脈的 LM に基づいて,副詞の違いを操作した。
  論文  参考訳（メタデータ） (2026-09-14T13:13:30Z)
• Depression Markers in Speech: An Approach based on Tract Variables Dynamics [52.72895760734978]
  本研究では, トラクション変数の動的性質に基づいて, 新規なうつ病バイオマーカーを同定した。 提案するバイオマーカーは, 抑うつ話者と制御話者の識別を効果的に行う。
  論文  参考訳（メタデータ） (2026-07-28T15:48:07Z)
• Psychologically-Grounded Graph Modeling for Interpretable Depression Detection [36.72827968050813]
  対話型セッションを動的時間グラフとしてモデル化するフレームワークであるPsyGATを提案する。 Causal-PsyGATも紹介した。 実験では、因果指標を特定するためのMRRが20%改善されている。
  論文  参考訳（メタデータ） (2026-04-27T07:27:45Z)
• Clinically Inspired Symptom-Guided Depression Detection from Emotion-Aware Speech Representations [6.043112894299487]
  うつ病は睡眠障害、関心の喪失、集中障害などの様々な症状によって現れる。 既存の研究の多くは、症状特異的情報を明示的にモデル化することなく、うつ病の予測をバイナリラベルまたは全体的な重症度スコアとして扱う。 音声からのうつ病重症度推定のための症状特異的かつ臨床的に着想を得た枠組みを提案する。
  論文  参考訳（メタデータ） (2026-02-17T13:47:05Z)
• DepFlow: Disentangled Speech Generation to Mitigate Semantic Bias in Depression Detection [54.209716321122194]
  抑うつ条件付きテキスト音声合成フレームワークであるDepFlowについて述べる。 抑うつ音響カモフラージュは、対向訓練を通じて話者と内容不変の抑うつ埋め込みを学習する。 フローマッチングTTSモデルとFiLM変調はこれらの埋め込みを合成に注入し、うつ病の重症度を制御する。 プロトタイプベースの重度マッピング機構は、うつ病連続体を滑らかかつ解釈可能な操作を提供する。
  論文  参考訳（メタデータ） (2026-01-01T10:44:38Z)
• Quantifying depressive mental states with large language models [0.0]
  大規模言語モデル(LLM)はメンタルヘルスにおいて重要な役割を担っている。 3つの臨界試験におけるLLM性能の概要と評価を行った。
  論文  参考訳（メタデータ） (2025-02-13T16:52:06Z)
• Hierarchical attention interpretation: an interpretable speech-level transformer for bi-modal depression detection [6.561362931802501]
  うつ病は一般的な精神疾患である。機械学習によって実現された音声を用いた自動うつ病検出ツールは、うつ病の早期スクリーニングに役立つ。 本稿では、セグメントレベルのラベリングによるノイズと、モデル解釈可能性の欠如という、そのようなツールの臨床的実装を妨げる可能性のある2つの制限に対処する。
  論文  参考訳（メタデータ） (2023-09-23T20:48:58Z)
• The Relationship Between Speech Features Changes When You Get Depressed: Feature Correlations for Improving Speed and Performance of Depression Detection [69.88072583383085]
  この研究は、抑うつが音声から抽出した特徴間の相関を変化させることを示す。 このような洞察を用いることで、SVMとLSTMに基づく抑うつ検出器のトレーニング速度と性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-07-06T09:54:35Z)
• Handwriting and Drawing for Depression Detection: A Preliminary Study [53.11777541341063]
  精神健康に対する短期的コビデンスの影響は、不安や抑うつ症状の顕著な増加であった。 本研究の目的は、健康な人とうつ病患者を識別するために、オンライン手書き・図面解析という新しいツールを使用することである。
  論文  参考訳（メタデータ） (2023-02-05T22:33:49Z)
• Deep Multi-task Learning for Depression Detection and Prediction in Longitudinal Data [50.02223091927777]
  うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。 機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。 本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-05T05:14:14Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。