論文の概要: Predicting Mental Health Help-Seeking Behaviour on Reddit: A Survival Analysis of Linguistic and Behavioural Signals

• arxiv url: http://arxiv.org/abs/2610.16983v1
• Date: Mon, 12 Oct 2026 15:41:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 03:51:53.522362
• Title: Predicting Mental Health Help-Seeking Behaviour on Reddit: A Survival Analysis of Linguistic and Behavioural Signals
• Title（参考訳）: Redditにおけるメンタルヘルス支援の行動予測:言語と行動信号の生存分析
• Abstract要約: われわれはヘルプ・サーキングを時間と時間の問題として捉え、どのRedditユーザーが最終的にメンタルヘルスのサポートを求めるのか、その移行がどれほど差し迫っているのかを尋ねる。 我々は、2本腕のコホートを構築する: 本物の右検閲(12.1%の移行率)を持つ6,337人の一般ユーザーのコントロールフレームと、誰が移行するかを答える5,023人の臨床フレーム。 我々は,コックス比例ハザードモデル,ランダムサバイバルフォレストモデル,LSTMシーケンシャルモデルを用いてTF-IDF,MentalBERT埋め込み,行動行動特性を比較した。
• 参考スコア（独自算出の注目度）: 0.46664938579243564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most prior work on predicting mental health help-seeking treats it as post-hoc classification of users already active in clinical communities, which cannot tell whether someone approaching a transition can be identified in advance. We instead frame help-seeking as a time-to-event problem and ask which Reddit users will eventually seek mental health support, and how imminent that transition is. We build a two-arm cohort: a control frame of 6,337 ordinary users with genuine right-censoring (12.1% transition rate) to answer who will transition, and a clinical frame of 5,023 eventual transitioners to answer how soon. Features come only from posts written before any clinical activity, and user-grouped five-fold cross-validation plus a four-year temporal holdout guard against leakage. We compare TF-IDF, MentalBERT embeddings and behavioural activity features using Cox proportional hazards models, Random Survival Forests and an LSTM sequential model. Behavioural features alone outperform text for predicting who will seek help (C-index 0.797 vs. 0.763), and combining both is best (0.823 under cross-validation, 0.856 on the holdout). The pattern reverses for predicting how soon a known transition will happen: text remains a stable predictor (C-index 0.698) while behavioural features become unstable. Structural engagement patterns therefore carry information about future help-seeking beyond linguistic content, and separating who from when yields a cleaner analysis.
• Abstract（参考訳）: メンタルヘルスのヘルプ・サーキングの予測に関するこれまでの研究は、すでに臨床コミュニティで活動しているユーザのポストホックな分類として扱われており、移行に近づいている人が事前に特定できるかどうかを判断できない。 その代わり、私たちはヘルプ検索を時間と時間の問題として捉え、どのRedditユーザーが最終的にメンタルヘルスのサポートを求めるのか、その移行がどれほど差し迫っているのかを尋ねる。 我々は、2本腕のコホートを構築する: 本物の右検閲(12.1%の移行率)を持つ6,337人の一般ユーザーのコントロールフレームと、誰が移行するかを答える5,023人の臨床フレーム。 特徴は、臨床活動の前に書かれたポストと、ユーザーグループ化された5倍のクロスバリデーションと、漏洩に対する4年間の一時的保護からのみ提供される。 我々は,コックス比例ハザードモデル,ランダムサバイバルフォレストモデル,LSTMシーケンシャルモデルを用いてTF-IDF,MentalBERT埋め込み,行動行動特性を比較した。 行動は、誰が助けを求めるかを予測するテキスト(C-index 0.797 vs. 0.763)よりも優れており、両者を組み合わせるのがベストである(クロスバリデーションでは0.823、ホールドアウトでは0.856)。 テキストは安定な予測子(C-index 0.698)のままであり、一方で振る舞いの特徴は不安定になる。 構造的エンゲージメントパターンは、言語コンテンツを超えて将来のヘルプシーキングに関する情報を持ち、誰がよりクリーンな分析を得られるのかを区別する。

関連論文リスト

• TimeLitmus: A Diagnostic Benchmark for Cross-Modal Understanding and Explanation Faithfulness in Event-Conditioned Time-Series Prediction [48.104261148149654]
  TimeLitmusは、イベント条件付き時系列予測における相互理解と忠実さの説明のための診断ベンチマークである。 TimeLitmusには財務と交通の計4,856件の評価記録がある。
  論文  参考訳（メタデータ） (2026-09-21T14:38:49Z)
• GradCuit: Credit-Assigned Gradient Flow Enables Robust and Interpretable Test-Time Latent Reasoning [61.67411833252235]
  本稿では,プロンプトの隠蔽表現と生成された継続の間に,選択したTransformer層に最適化可能な潜在状態を挿入するGradCuitを紹介する。 5つの命令調整されたバックボーン、3つの推論ベンチマーク、2つの回答フォーマットで、GradCuitの平均精度は64.5%である。 解釈可能性について、トークンレベルの勾配属性は、遅延の影響が推論・接続子トークンに集中していることを明らかにする一方、層解析は、初期から中間のトランスフォーマー層を最も効果的な最適化空間として認識する。
  論文  参考訳（メタデータ） (2026-08-03T17:55:24Z)
• What EEG Foundation Models Encode: Dataset Identity and a Negative-Control Suite for Clinical Benchmarks [0.0]
  LaBraM、EEGMamba、CBraMod、REVE、LEAD、BENDR、BIOTを4つのデータセットで5つの臨床タスクでベンチマークする。 我々は、より強力な古典的コンパレータ、ラベルの置換、スクランブルラベルの微調整、ランダム初期化制御による明らかなゲインに挑戦する。 結論はモンタージュマッチング、患者オーバーラップチェック、より強力なコンパレータ、表現制御後に大きく変化する。
  論文  参考訳（メタデータ） (2026-07-27T14:59:42Z)
• Within-person prediction of depressive symptom change using year-long Screenome data and CES-D assessments [11.510009115567]
  CES-Dアセスメントと5秒毎に1億枚以上のスクリーンショットをスタンフォード・スクリーンミクス・プラットフォームで撮影しました。 我々は、症状が悪化するか、安定するか、続く2週間で改善するかを、個人内での分類タスクとして予測する。 XGBoostは、確立されたCES-D重厚帯の交差に対して0.906のAUCを達成し、各参加者の個人内変動に対する変化に対して0.755を達成している。
  論文  参考訳（メタデータ） (2026-04-24T22:00:36Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Towards Clinical Prediction with Transparency: An Explainable AI Approach to Survival Modelling in Residential Aged Care [0.0]
  この研究は、機械学習を用いて高齢者ケアの生存モデルを作成し、死亡リスク要因に関する臨床的知見と一致させる。 主な死亡率予測には、年齢、男性性、移動性、健康状態、圧力潰瘍リスク、食欲などが含まれる。
  論文  参考訳（メタデータ） (2023-12-01T01:11:16Z)
• Automatically measuring speech fluency in people with aphasia: first achievements using read-speech data [55.84746218227712]
  本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
  論文  参考訳（メタデータ） (2023-08-09T07:51:40Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

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。