論文の概要: Predicting Symptoms of Amotivation and Anhedonia among University Students with a Novel Oversampling Method

• arxiv url: http://arxiv.org/abs/2609.29690v1
• Date: Mon, 31 Aug 2026 00:41:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.109565
• Title: Predicting Symptoms of Amotivation and Anhedonia among University Students with a Novel Oversampling Method
• Title（参考訳）: 新しいオーバーサンプリング法による大学生の覚醒症状とアンヘドニアの予測
• Abstract要約: 大学生は、うつ病などの一般的なメンタルヘルスの状態を非常に高い率で経験する。 モチベーションとアンヘドニアの症状は特に不安定であるが、しばしば検出されない。 顕著なモチベーションとアンヘドニアを持つ学生を識別するための新しいアプローチは、より早く、よりターゲットを絞った介入を可能にする可能性がある。
• 参考スコア（独自算出の注目度）: 31.192922684157665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: University students experience disproportionately high rates of common mental health conditions, such as depression, which can impair learning, social functioning, and overall well-being. Within this context, symptoms of amotivation (i.e. loss of motivational drive) and anhedonia (i.e. diminished interest or pleasure) are particularly debilitating, yet they frequently go undetected. Developing new approaches to identify students with prominent amotivation and anhedonia could enable earlier and more targeted intervention. Machine learning (ML) methods have increasingly been used to classify individuals according to symptom severity. However, these ML models often suffer from class imbalance, where the majority of cases fall in the low-symptom group and relatively few in the high-symptom group. This imbalance can reduce model accuracy and bias predictions. To address this, studies commonly employ the popular oversampling strategy SMOTE. However, SMOTE has a notable limitation: it may generate invalid values for nominal variables. In this paper, we introduce a novel and effective oversampling method that addresses this shortcoming. Our approach leverages a predictive model to generate nominal variables, rather than interpolating them. We validate our method on a large-scale GPS location dataset collected from university students and demonstrate that it is significantly better than existing oversampling approaches in predicting elevated symptoms of amotivation and anhedonia.
• Abstract（参考訳）: 大学生は、学習、社会的機能、全体的な幸福感を損なうおそれのあるうつ病のような一般的な精神状態の低い率を経験する。 この文脈では、モチベーションの症状(モチベーションドライブの喪失)とアンヘドニア(利害や快楽の低下)は特に不安定であるが、しばしば検出されない。 顕著なモチベーションとアンヘドニアを持つ学生を識別するための新しいアプローチを開発することで、より早く、よりターゲットを絞った介入が可能になる。 機械学習(ML)手法は、症状の重症度に応じて個人を分類するためにますます使われてきている。 しかしながら、これらのMLモデルはクラス不均衡に悩まされることが多く、ほとんどのケースは低症状群で、高症状群では比較的少ない。 この不均衡はモデルの精度とバイアス予測を減少させる。 これを解決するために、一般的なオーバーサンプリング戦略であるSMOTEを用いるのが一般的である。 しかし、SMOTEには顕著な制限があり、名目変数に対して無効な値を生成する可能性がある。 本稿では,この欠点に対処する,新規かつ効果的なオーバーサンプリング手法を提案する。 我々のアプローチは、予測モデルを利用して、それらを補間するのではなく、名目変数を生成する。 本手法は,大学生が収集した大規模GPS測位データを用いて検証し,覚醒および無血症の高症状の予測において,既存のオーバーサンプリング手法よりも有意に優れていることを示す。

関連論文リスト

• SMOTE-VAR: An Uncertainty-Aware Oversampling Method for Predicting Depression Remission in University Students [24.004028050595178]
  大学生は、うつ病などの一般的なメンタルヘルスの状態を非常に高い率で経験する。 成績の悪い生徒を識別するための新しいアプローチは、より早く、よりターゲットを絞った介入を可能にする。
  論文  参考訳（メタデータ） (2026-08-31T00:26:13Z)
• On the Within-class Variation Issue in Alzheimer's Disease Detection [66.70233526150723]
  Alzheimer's Disease (AD) 検出では、ADと非ADの個人を区別するために、機械学習の分類モデルを使用している。 そこで本研究では,サンプルスコア推定器を用いて,認知的スコアと整合した標本特異的なソフトスコアを生成できることを確認した。 ソフトターゲット蒸留(SoTD)とインスタンスレベルの再分散(InRe)の2つの簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• The Devil is in the Neurons: Interpreting and Mitigating Social Biases in Pre-trained Language Models [78.69526166193236]
  プレトレーニング言語モデル(PLM)は、社会的バイアスのような有害な情報を含むことが認識されている。 我々は,社会バイアスなどの望ましくない行動に起因する言語モデルにおいて,正確に単位(すなわちニューロン)を特定するために,sc Social Bias Neuronsを提案する。 StereoSetの以前の測定値からわかるように、我々のモデルは、低コストで言語モデリング能力を維持しながら、より高い公平性を達成する。
  論文  参考訳（メタデータ） (2024-06-14T15:41:06Z)
• Faces of the Mind: Unveiling Mental Health States Through Facial Expressions in 11,427 Adolescents [6.403533696512409]
  うつ病や不安などの気分障害は、しばしば表情を通して現れる。 これらの障害を評価するために設計された既存の機械学習アルゴリズムは、小さなデータセットと限られた現実の応用によって妨げられている。
  論文  参考訳（メタデータ） (2024-05-30T14:02:40Z)
• When Measures are Unreliable: Imperceptible Adversarial Perturbations toward Top-$k$ Multi-Label Learning [83.8758881342346]
  新しい損失関数は、視覚的および測定的不受容性を両立できる敵の摂動を生成するために考案された。 大規模ベンチマークデータセットを用いた実験により,提案手法が最上位の$kのマルチラベルシステムを攻撃する際の優位性を実証した。
  論文  参考訳（メタデータ） (2023-07-27T13:18:47Z)
• Transformer-based normative modelling for anomaly detection of early schizophrenia [1.291405125557051]
  我々はニューロタイプ個体の3次元MRIスキャンでモデルを訓練した。 早期統合失調症の神経型コントロールと精神科患者の可能性について検討した。
  論文  参考訳（メタデータ） (2022-12-08T18:22:36Z)
• Bias Reducing Multitask Learning on Mental Health Prediction [18.32551434711739]
  メンタルヘルスの検出や予測のための機械学習モデルの開発では、研究が増加している。 本研究では,マルチタスク学習に基づくバイアス緩和手法を不安予測モデルに適用し,公平性分析を行うことを目的とする。 分析の結果、我々の不安予測ベースモデルでは、年齢、収入、民族性、そして参加者が米国で生まれたかどうかに偏りが生じていた。
  論文  参考訳（メタデータ） (2022-08-07T02:28:32Z)
• NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model with Logic Regularization [59.15047491202254]
  症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。 本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。 以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
  論文  参考訳（メタデータ） (2022-06-02T07:57:17Z)
• 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。