論文の概要: Beyond Risk Prediction: Evidence Grounding and Psychosocial Factor Verification for Explainable Suicide Risk Assessment

• arxiv url: http://arxiv.org/abs/2610.08842v1
• Date: Wed, 30 Sep 2026 12:07:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.51329
• Title: Beyond Risk Prediction: Evidence Grounding and Psychosocial Factor Verification for Explainable Suicide Risk Assessment
• Title（参考訳）: リスク予測を超えて: 説明可能な自殺リスク評価のためのエビデンス・グラウンディングと心理的要因の検証
• Abstract要約: 本研究では,リスクアセスメント,エビデンスグラウンド,要因同定からなる枠組みを提案する。 提案フレームワークは,リスクレベルの予測を超えて自殺リスク評価を拡張し,SNS投稿をより解釈可能な分析を行う。
• 参考スコア（独自算出の注目度）: 6.939113881128487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying suicide risk from social networking services (SNS) posts is important for detecting suicide-related signals in online environments. However, risk classification alone provides limited insight into the textual evidence and psychosocial factors behind a prediction. Based on the IEEE BigData 2026 Explainable Suicide Risk Detection Challenge, this study presents a framework consisting of Risk Assessment, Evidence Grounding, and Factor Identification. Risk Assessment uses length-based routing to accommodate posts of different lengths. Evidence Grounding identifies supporting phrases and uses a Risk-Evidence constraint to maintain consistency with the Risk prediction. For Factor Identification, two verifiers are used. The Taxonomy Verifier focuses on factor semantics, whereas the Evidence-Aware Verifier uses factor-specific lexical-semantic cues to select informative positive training units. Their prediction probabilities are combined to produce the final factor predictions. The three tasks are evaluated using task-specific F1 score measures. Risk Assessment achieved a Weighted F1 of 0.8088, Evidence Grounding achieved a test Macro row F1 of 0.7605, and Factor Identification achieved a Macro F1 of 0.5562. The results show that the framework can provide risk predictions, along with supporting textual evidence and fine-grained information on psychosocial factors. Overall, the proposed framework extends suicide-risk assessment beyond risk-level prediction and provides a more interpretable analysis of SNS posts.
• Abstract（参考訳）: SNS(SNS)投稿からの自殺リスクの特定は,オンライン環境における自殺関連信号の検出に重要である。 しかし、リスク分類だけでは、予測の背後にあるテキスト的証拠と精神社会的要因についての限られた洞察を与える。 本研究は,IEEE BigData 2026 Explainable Suicide Risk Detection Challengeに基づいて,リスクアセスメント,エビデンスグラウンド,要因同定からなる枠組みを提案する。 リスクアセスメントは長さベースのルーティングを使用して、異なる長さのポストに対応する。 Evidence Groundingはサポートフレーズを特定し、リスク予測との整合性を維持するためにリスクエビデンス制約を使用する。 因子同定には2つの検証器が使用される。 分類検証は因子のセマンティクスに焦点をあてるが、Evidence-Aware Verifierは因子固有の語彙意味の手がかりを使って情報的正の訓練単位を選択する。 それらの予測確率は、最終因子予測を生成するために結合される。 3つのタスクは、タスク固有のF1スコア尺度を用いて評価される。 リスクアセスメントは0.8088の重み付きF1、エビデンスグラウンドは0.7605のマクロ列F1、因子同定は0.5562のマクロ列F1を達成した。 その結果, リスク予測と, テキストによる証拠や心理社会的要因の詳細な情報の提供が可能であることが示唆された。 提案フレームワークは,リスクレベルの予測を超えて自殺リスク評価を拡張し,SNS投稿をより解釈可能な分析を行う。

関連論文リスト

• Bag of Tricks or Bag of Myths? Reducing Modeling Complexity with Task Knowledge in Explainable Suicide Risk Assessment [7.984072866387194]
  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。
  論文  参考訳（メタデータ） (2026-09-07T17:14:19Z)
• Emergent Strategic Reasoning Risks in AI: A Taxonomy-Driven Evaluation Framework [63.74295981594549]
  大規模言語モデル(LLM)は、自身の目的を達成する行動に関与している。 これには、詐欺(故意に誤解を招くユーザや評価者)、評価ゲーム(安全テスト中のパフォーマンスを戦略的に操作する)、報酬ハッキングなどが含まれる。 自動行動リスク評価のための分類駆動型エージェントフレームワークであるESRRSimを紹介する。
  論文  参考訳（メタデータ） (2026-04-23T23:44:01Z)
• Uncertainty-Aware Vision-based Risk Object Identification via Conformal Risk Tube Prediction [7.840136094141999]
  既存のアプローチは意思決定を行い、不確実性を無視します。 これらの課題にもかかわらず、現在の手法には、空間と時間にわたって共同でリスクの不確実性をモデル化する原則的な枠組みが欠如している。 本稿では, リスクの原則的不確実性を把握し, 真のリスクに対するカバレッジ保証を提供し, 不確実性を考慮した校正リスクスコアを生成するコンフォーマルリスク予測統一定式化を提案する。
  論文  参考訳（メタデータ） (2026-03-25T04:13:42Z)
• SafeRBench: A Comprehensive Benchmark for Safety Assessment in Large Reasoning Models [60.8821834954637]
  LRMの安全性をエンドツーエンドに評価する最初のベンチマークであるSafeRBenchを紹介する。 私たちは、リスクカテゴリとレベルを入力設計に組み込んだ先駆者です。 我々は,長い推論トレースを意味的に一貫性のある単位にセグメント化するためのマイクロシンクのチャンキング機構を導入する。
  論文  参考訳（メタデータ） (2025-11-19T06:46:33Z)
• Suicidal Comment Tree Dataset: Enhancing Risk Assessment and Prediction Through Contextual Analysis [3.381709265589592]
  本研究では,コメントツリー内の情報がユーザの自殺リスクレベルの識別と予測にどのように影響するかを検討する。 Redditをソースとした高品質な注釈付きデータセットを構築し、ユーザの投稿履歴とコメントを組み込んだ。 このデータセットの統計的解析とLarge Language Models (LLMs) 実験の結果から, コメントツリーデータの導入は, ユーザの自殺リスクレベルの識別と予測を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-10-16T07:47:03Z)
• Preliminary Investigation into Uncertainty-Aware Attack Stage Classification [81.28215542218724]
  この研究は、不確実性の下での攻撃段階推論の問題に対処する。 Evidential Deep Learning (EDL) に基づく分類手法を提案し、ディリクレ分布のパラメータを可能な段階に出力することで予測の不確実性をモデル化する。 シミュレーション環境における予備実験により,提案モデルが精度良く攻撃の段階を推定できることが実証された。
  論文  参考訳（メタデータ） (2025-08-01T06:58:00Z)
• Evidence-Driven Marker Extraction for Social Media Suicide Risk Detection [0.0]
  本稿では,臨床マーカー抽出と自殺リスク分類の新しいアプローチであるEvidence-Driven LLM (ED-LLM)を紹介する。 ED-LLMはマルチタスク学習フレームワークを採用し、Mistral-7Bベースのモデルを共同でトレーニングし、臨床マーカーの範囲を特定し、自殺リスクレベルを分類する。
  論文  参考訳（メタデータ） (2025-02-26T04:58:03Z)
• Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
  我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。 本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。 我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-09-24T14:52:14Z)

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。