論文の概要: Bag of Tricks or Bag of Myths? Reducing Modeling Complexity with Task Knowledge in Explainable Suicide Risk Assessment

• arxiv url: http://arxiv.org/abs/2609.07766v1
• Date: Mon, 07 Sep 2026 17:14:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.489588
• Title: Bag of Tricks or Bag of Myths? Reducing Modeling Complexity with Task Knowledge in Explainable Suicide Risk Assessment
• Title（参考訳）: 謎の袋」か「謎の袋」か : 説明可能な自殺リスク評価における課題知識による複雑さのモデル化
• Abstract要約: ソーシャルメディアのテキストから自殺リスクを評価することは、小さくて高リスクな設定だ。 モデルスケーリング、合成データ、損失再重み付け、アンサンブル、しきい値チューニングなどの一般的なNLP技術は、テストなしで適用されることが多い。 当科では, 臨床医が記載したポスト1,635点について調査し, 7家系の検査31点について検討した。
• 参考スコア（独自算出の注目度）: 7.984072866387194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Assessing suicide risk from social media text is a small-data, high-stakes setting requiring not only severity prediction but also supporting evidence and clinically relevant risk and protective factors. Yet common NLP techniques, including model scaling, synthetic data, loss reweighting, ensembling, and threshold tuning, are often applied without testing whether their gains hold up under severe class imbalance, coupled outputs, and limited author-level data. We study 1,635 clinician-annotated posts and audit 31 pre-specified techniques from 7 methodological families through roughly 300 controlled experiments on author-disjoint partitions. We found no prior audit of this playbook in this regime. The findings guide a task-grounded system for three outputs: 4-level suicide risk, evidence spans, and 24 clinical risk and protective factors. Only 5 of 31 comparisons produced reliable gains. We reformulate factor prediction as entailment between each post and its codebook definitions, using an architecturally diverse ensemble with class-balanced training and score rescaling. Risk predictions condition a 7-model evidence tagger ensemble; evidence restricts symbolic risk rules; and a difficult risk class is routed separately. The factor predictor remains independent because risk evidence provides no additional factor signal. We also correct a mismatch between validation scores used for threshold fitting and test-time ensemble scores through deployment-consistent calibration, yielding the largest improvement to the factor system. The final system achieves 0.8203 for risk, 0.7953 for evidence, and 0.7045 macro-F1 for factors, with a 0.7781 composite, ranking third among 53 teams. We call the underlying principle task-conditioned technique selection: retain techniques only when task-specific knowledge, structure, or empirical evidence justifies them.
• Abstract（参考訳）: ソーシャルメディアのテキストから自殺リスクを評価することは、重篤な予測だけでなく、証拠や臨床的に関係のあるリスクや保護要因を裏付ける必要のある、小規模で高リスクな設定である。 しかし、モデルスケーリング、合成データ、損失再重み付け、アンサンブル、しきい値調整を含む一般的なNLP技術は、その利得が厳しいクラス不均衡、結合出力、限られた著者レベルのデータで保たれるかどうかを検査せずに適用されることが多い。 著者と意見の相違点に関する約300の制御実験を通じて, 臨床医が記載した投稿1,635件について調査し, 調査31件について検討した。 この体制でこの脚本の事前の監査は見つからなかった。 この結果は,4段階の自殺リスク,エビデンス,24の臨床的リスクと保護因子の3つのアウトプットに対して,タスクグラウンド方式を導出する。 31つの比較のうち5つだけが信頼できる利得を生み出した。 我々は,各ポストとそのコードブック定義の関連性として因子予測を,クラスバランスのトレーニングとスコア再スケーリングによるアーキテクチャ的に多様なアンサンブルを用いて再構成する。 リスク予測は、7モデルエビデンスタグのアンサンブルを条件とし、エビデンスでは象徴的なリスクルールを制限し、困難なリスククラスを別々にルーティングする。 リスク証拠が追加の因子シグナルを与えないため、因子予測器は独立したままである。 また,テスト時間アンサンブルスコアとしきい値フィッティングに使用するバリデーションスコアのミスマッチを,展開一貫性キャリブレーションにより補正し,ファクターシステムに最大の改善をもたらす。 最終システムはリスク0.8203、証拠0.7953、要因0.7045のマクロF1、合成0.7781、53チーム3位である。 タスク固有の知識、構造、または経験的証拠がそれらを正当化する場合にのみ、テクニックを保持する。

関連論文リスト

• Framework for Grounding Healthcare LLMs in a Causal Knowledge Graph: A Cardiovascular Example Pilot [0.9685837672183747]
  大規模言語モデル(LLM)は、医療上の意思決定支援のためにますます提案されている。 LLMは介入、メカニズム、害、証拠、不確実性を推論するよりも、シングルアンサーの精度に報いる。 本稿では,医療における介入指向LDM行動のためのグラフ中心評価フレームワークを提案し,心臓血管パイロットでストレステストを行う。
  論文  参考訳（メタデータ） (2026-08-15T19:21:51Z)
• DiagLoop: A Counterfactual Data Flywheel with Stage-Localized Reinforcement for Diagnostic LLMs [5.241146164724621]
  DiagLoopは、認知された物理的関係や臨床ガイドラインをトレーニングの監督に変換する、反ファクト的なデータフライホイールである。 訓練のみの教師は様々な原因、文脈、観察によって反現実の世界を提案し、一方独立したハイブリッドチェッカーは有効な世界しか認めない。 非終端障害に対しては、境界付き修復プローブが下流のコンピテンスを探索し、その結果の弱点プロファイルがその後のデータ生成を導く。
  論文  参考訳（メタデータ） (2026-08-04T13:49:41Z)
• Output Type Before Quality: A Standards-Derived XAI Admissibility Rubric for Autonomous-Driving Safety [0.4958589793470846]
  MLベースの自律運転の安全基準は、保証事例が含まなければならない証拠の種類を規定している(直接因果連鎖、定量化された介入効果、根因変数)。 しかし、XAI文献は出力型と技法系(相性マップ、特徴属性、反事実、因果グラフ、言語トレース)で整理されている。 私たちはこのミスマッチをエビデンスタイプのギャップと呼んでいます。 安全保証のためのXAI手法の選択は,メソッドの人気ではなく,ライフサイクル段階のエビデンス要求によって行うべきである。
  論文  参考訳（メタデータ） (2026-06-03T21:37:52Z)
• Conformal Risk Prediction for Non-Alcoholic Fatty Liver Disease Using Gradient Boosting with Distribution-Free Coverages [2.538209532048867]
  非アルコール性脂肪肝疾患(NAFLD)は、世界の成人の約25%に影響を及ぼす。 NAFLDリスク予測のための機械学習フレームワークである Method を提案する。
  論文  参考訳（メタデータ） (2026-05-31T14:23:21Z)
• Conditional Coverage Diagnostics for Conformal Prediction [47.93989136542648]
  条件付きカバレッジ推定が分類問題であることを示す。 得られたメトリクスの族をターゲットカバレッジ(ERT)の過剰なリスクと呼びます。 ERTのオープンソースパッケージと、以前の条件付きカバレッジメトリクスをリリースしています。
  論文  参考訳（メタデータ） (2025-12-12T18:47:39Z)
• Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
  本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。 5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
  論文  参考訳（メタデータ） (2025-10-19T08:21:00Z)
• CausalDiff: Causality-Inspired Disentanglement via Diffusion Model for Adversarial Defense [61.78357530675446]
  人間は、本質的な要因のみに基づいて判断するので、微妙な操作によって騙されるのは難しい。 この観察に触発されて、本質的なラベル因果因子を用いたラベル生成をモデル化し、ラベル非因果因子を組み込んでデータ生成を支援する。 逆の例では、摂動を非因果因子として識別し、ラベル因果因子のみに基づいて予測することを目的としている。
  論文  参考訳（メタデータ） (2024-10-30T15:06:44Z)
• HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
  本稿では,階層型アルキメデスコピュラス構造を学習する生存分析手法であるHACSurvを紹介する。 リスクと検閲の間の依存関係をキャプチャすることで、HACSurvは生存予測の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-19T18:52:18Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Explicit Tradeoffs between Adversarial and Natural Distributional Robustness [48.44639585732391]
  実際、モデルは信頼性を確保するために両方のタイプの堅牢さを享受する必要があります。 本研究では, 対角線と自然分布の強靭性の間には, 明らかなトレードオフが存在することを示す。
  論文  参考訳（メタデータ） (2022-09-15T19:58:01Z)
• A New Approach for Interpretability and Reliability in Clinical Risk Prediction: Acute Coronary Syndrome Scenario [0.33927193323747895]
  我々は、リスクスコアと機械学習モデルの両方の最高の特徴を組み合わせた、新たなリスクアセスメント方法論を作成するつもりです。 提案手法は、標準LRと同一の試験結果を得たが、より優れた解釈性とパーソナライゼーションを提供する。 個人予測の信頼性推定は誤分類率と大きな相関を示した。
  論文  参考訳（メタデータ） (2021-10-15T19:33:46Z)

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。