論文の概要: LongCounsel-8: A Benchmark Suite for Longitudinal Depression Tracking from Multi-Session Counseling Dialogues

• arxiv url: http://arxiv.org/abs/2609.03507v1
• Date: Thu, 03 Sep 2026 08:07:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.979577
• Title: LongCounsel-8: A Benchmark Suite for Longitudinal Depression Tracking from Multi-Session Counseling Dialogues
• Title（参考訳）: LongCounsel-8:マルチセッション言語対話からの縦型抑うつ追跡のためのベンチマークスイート
• Abstract要約: LongCounsel-8は、独立に生成された3つのデータセットのベンチマークスイートであり、合計で7,749の5セッションカウンセリングトラジェクトリである。 LongCounsel-8は、精神・健康変化の信頼できる経時的追跡に向けて、静的な単一セッション予測からうつ病評価を推し進める基盤である。
• 参考スコア（独自算出の注目度）: 39.23035868785596
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tracking depression from multi-session counseling dialogues requires estimating both current symptom severity and how it changes across sessions. Yet progress on this task is constrained by the scarcity of longitudinal counseling data with standardized session-level depression labels. Existing resources typically provide either multi-session conversations without depression labels or labeled interviews in a single session. Building such a benchmark poses three challenges: maintaining longitudinal consistency and diversity, grounding symptom progression in empirical patterns, and expressing controlled depression states naturally without exposing target labels. To address these challenges, we introduce LongCounsel-8, a benchmark suite of three independently generated datasets totaling 7,749 five-session counseling trajectories, grounded in real-world client profiles, depression trajectories, symptom compositions, and counseling patterns. We combine profile-grounded simulation, empirically informed state construction, and indirect behavioral realization to address these challenges. Across the benchmark, simulated self-reports closely recover the controlled states, supporting label fidelity. Experiments on existing depression tracking methods reveal three key findings: (1) lower single-session score error does not guarantee accurate identification of trend, i.e., improvement or worsening; (2) existing methods are consistently less reliable on worsening trajectories; and (3) additional session history may reduce the accuracy of trend prediction. Together, these findings establish LongCounsel-8 as a foundation for advancing depression assessment from static, single-session prediction toward reliable longitudinal tracking of mental-health change.
• Abstract（参考訳）: マルチセッションカウンセリング対話からの抑うつの追跡には、現在の症状の重症度とセッション間でどのように変化するかを推定する必要がある。 しかし、この課題の進展は、標準化されたセッションレベルの抑うつラベルによる縦断的カウンセリングデータの不足によって制約される。 既存のリソースは一般的に、抑うつラベルなしでマルチセッションの会話を提供するか、ひとつのセッションでラベル付きインタビューを提供する。 このようなベンチマークの構築には,持続的一貫性と多様性の維持,経験的パターンの症状進行の基盤化,目標ラベルを公開せずに自然に制御されたうつ状態を表現する,という3つの課題がある。 これらの課題に対処するために、LongCounsel-8は、7,749の5セッションカウンセリングトラジェクトリからなる、独立に生成された3つのデータセットのベンチマークスイートである。 我々は、これらの課題に対処するために、プロファイル基底シミュレーション、実証的な状態構築、間接的な行動実現を組み合わせる。 ベンチマーク全体では、自己レポートが制御された状態を厳格に回復し、ラベルの忠実性をサポートする。 既存のうつ病追跡手法の実験では,(1)単一セッションのスコア誤差の低下は傾向の正確な同定を保証しない,(2)既存の手法は軌道の悪化に対して信頼性が低い,(3)追加のセッション履歴により傾向予測の精度が低下する,という3つの重要な結果が示されている。 これらの結果から,LongCounsel-8は,精神・健康変化の信頼できる経時的追跡に向けた静的な単一セッション予測からうつ病評価を推し進める基盤として確立された。

関連論文リスト

• Psych-ECA: A Reproducible Semi-Synthetic Benchmark for Synthetic Control Arms in Longitudinal Psychiatry [0.0]
  外部および合成制御アーム(ECA)は精神医学薬開発に参入している。 サイコECAは、うつ病、不安、精神病に対する縦断的症状の軌跡を再現可能な完全に再現可能な生成物である。 本研究では, キャリーフォワード, プールド実世界の平均値, 最寄りのマッチング, 線形混合モデル, 勾配上昇, およびScribe trajectory-bridge法にまたがる8つの推定器をベンチマークした。
  論文  参考訳（メタデータ） (2026-07-07T16:04:16Z)
• EmoTrack: Robust Depression Tracking from Counseling Transcripts across Session Regimes [39.23035868785596]
  シングルセッションおよびマルチセッション体制におけるカウンセリング書面からの堅牢な抑うつ追跡について検討した。 EmoTrackは、LPM抽出された臨床信号と凍結したターンレベルのセマンティック埋め込みを組み合わせたPHQ-8予測フレームワークである。
  論文  参考訳（メタデータ） (2026-05-21T10:37:45Z)
• Benchmarking Egocentric Clinical Intent Understanding Capability for Medical Multimodal Large Language Models [48.95516224614331]
  MedGaze-Benchは、臨床医の視線を認知的カーソルとして活用し、手術、緊急シミュレーション、診断解釈における意図的理解を評価する最初のベンチマークである。 本ベンチマークでは,解剖学的構造の視覚的均一性,臨床における時間・因果依存性の厳格化,安全プロトコルへの暗黙の順守という3つの基本的な課題に対処する。
  論文  参考訳（メタデータ） (2026-01-11T02:20:40Z)
• 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)
• Tri-Modal Severity Fused Diagnosis across Depression and Post-traumatic Stress Disorders [26.208414155165432]
  外傷性ストレス障害(PTSD)は、しばしば関連症状と併存し、自動評価を複雑にする。 統合された三モーダル感情重大度フレームワークは,インタビューテキストと文レベルのトランスフォーマーの埋め込み,ログによる音声,デルタによるメル統計,アクションユニットによる顔信号,視線,頭,ポーズ記述子とを同期させる。 標準化された特徴は、キャリブレーションされた後期融合分類器を介して融合し、障害確率と特徴レベルの属性を出力する。
  論文  参考訳（メタデータ） (2025-10-23T05:46:38Z)
• ReDepress: A Cognitive Framework for Detecting Depression Relapse from Social Media [48.56586765769052]
  ReDepressは、リラプスに焦点を当てた最初の臨床的に検証されたソーシャルメディアデータセットである。 我々の枠組みはうつ病の認知理論に基づいており、注意バイアス、解釈バイアス、記憶バイアス、反省などの構造を取り入れている。 本研究は, 実世界のテキストデータにおける心理学的理論を検証し, 早期再発検出のための認知インフォームド・コンピューティング手法の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-09-22T16:33:59Z)
• MoodAngels: A Retrieval-augmented Multi-agent Framework for Psychiatry Diagnosis [58.67342568632529]
  MoodAngelsは、気分障害の診断のための最初の特殊なマルチエージェントフレームワークである。 MoodSynは、合成精神医学の1,173件のオープンソースデータセットである。
  論文  参考訳（メタデータ） (2025-06-04T09:18:25Z)
• Mental Health Diagnosis in the Digital Age: Harnessing Sentiment Analysis on Social Media Platforms upon Ultra-Sparse Feature Content [3.6195994708545016]
  3次元構造を持つ新しい意味的特徴前処理手法を提案する。 強化されたセマンティック機能により、精神障害を予測および分類するために機械学習モデルを訓練する。 提案手法は,7つのベンチマークモデルと比較して,大幅な性能向上を示した。
  論文  参考訳（メタデータ） (2023-11-09T00:15:06Z)
• Dynamic Graph Representation Learning for Depression Screening with Transformer [13.551342607089184]
  ソーシャルメディアプラットフォームは、メンタルヘルスを調査し、精神疾患の事例を検出する研究機会を提供する。 既存の抑うつ検出手法は,特徴工学への依存と時間的要因の考慮の欠如により制約される。 提案するContrastEgoは,各ユーザを動的時間進化型属性グラフ(ego-network)として扱う。 ContrastEgoは、様々な実験環境におけるすべての有効性指標において、最先端の手法を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2023-05-10T20:34:40Z)
• 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)

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。