論文の概要: Identifying Effective Strategies in Prompt Evolution for Stress and Emotion Prediction

• arxiv url: http://arxiv.org/abs/2610.21407v1
• Date: Thu, 15 Oct 2026 07:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.249831
• Title: Identifying Effective Strategies in Prompt Evolution for Stress and Emotion Prediction
• Title（参考訳）: ストレス・感情予測のためのプロンプト進化における効果的な戦略の同定
• Abstract要約: 大規模言語モデルは、最近ソーシャルメディアのストレス予測を約束している。 ソーシャルメディアのストレスと感情データを2つのモデルサイズで比較した。 開発利益に関連する5つの促進戦略を特定します。
• 参考スコア（独自算出の注目度）: 29.433422881587138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early stress detection and risk prediction are crucial for timely mental health assessment and support. While large language models have recently shown promise for social media stress prediction, relying on accuracy can obscure false positives. Also, prompt revisions yield inconsistent gains across models and tasks, with unclear links to strategy combinations and instruction changes. By comparing six methods on social media stress and emotion data across two model sizes, we found that GEPA and its extension combining instructions from two prompts (GEPA+merge) improved prediction over initial prompts in several settings. We also identified five prompting strategies associated with development gains. These strategies included directing attention to emotional evidence, distinguishing current from past distress, illustrating indirect cues, requiring emotional context, and guiding label selection. Moreover, we documented four observations across tasks and evaluation settings. In a separate set of searches, binary stress prediction improved early, whereas multilabel emotion prediction initially declined and partly recovered. The other three concerned incorrect or conflicting instructions, gains on small comparison samples that did not hold on full development data, and changes in selected prompts' development and reported test rankings. These findings identify effective prompt evolution methods, strategy combinations associated with gains, and task and evaluation limits, providing guidance for applying prompt evolution methods to social media stress detection.
• Abstract（参考訳）: 早期のストレス検出とリスク予測は、タイムリーなメンタルヘルスアセスメントとサポートに不可欠である。 大規模言語モデルは近年、ソーシャルメディアのストレス予測を約束しているが、正確性に依存することは偽陽性を曖昧にする可能性がある。 また、即時修正は、戦略の組み合わせや命令の変更に不明確なリンクで、モデルやタスク間で一貫性のない利得をもたらす。 ソーシャルメディアのストレスと感情データを2つのモデルサイズで比較した結果,2つのプロンプト(GEPA+マージ)からの指示を組み合わせたGEPAと拡張が,いくつかの設定において初期プロンプトの予測を改善した。 また、開発利益に関連する5つのプロンプト戦略を特定しました。 これらの戦略には、感情的な証拠に注意を向けること、過去の苦悩から電流を区別すること、間接的な手がかりを照明すること、感情的な文脈を必要とすること、ラベルの選択を導くことが含まれていた。 さらに、タスクと評価設定の4つの観察を文書化した。 異なる一連の探索において、二分ストレス予測は早期に改善されたが、マルチラベル感情予測は最初は減少し、部分的に回復した。 その他の3つは、不正または矛盾する指示、完全な開発データを保持しない小さな比較サンプル、選択したプロンプトの開発の変化、およびテストランキングの報告に関するものである。 これらの結果から, 効果的なプロンプト進化手法, ゲインに関連する戦略組合せ, 課題および評価限界を明らかにし, ソーシャルメディアのストレス検出にプロンプト進化手法を適用するためのガイダンスを提供する。

関連論文リスト

• Reinforcement Learning with Comparative Evidence for Social Intelligence [71.36958862570982]
  Reinforcement Learning with Comparison Evidence (RLCE) は、厳密なアノテーションから報酬を構築することなく、ラベルのないトレーニングデータから社会的理解を学ぶ。 RLCEは、7つの手法の中で最強のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2026-10-02T21:35:23Z)
• CompEvo: Competition-Induced Evolution for Multi-Agent in News-Driven Time Series Forecasting [17.15527031744296]
  ニュース駆動の時系列予測は、進化するテキストイベントと過去の観測を使って将来の価値を予測する。 マルチエージェント環境では、思考の退化と理論的な根拠の不足という2つの課題が残っている。 我々は,マルチエージェントニュース駆動時系列予測のための競争誘発進化フレームワークCompEvoを提案する。
  論文  参考訳（メタデータ） (2026-09-03T03:12:23Z)
• Uncertainty-Driven Anomaly Detection for Psychotic Relapse Using Smartwatches: Forecasting and Multi-Task Learning Fusion [17.706122087921038]
  我々は,日常的再発検出のための2つのスマートウォッチベースのフレームワークを開発し,体系的に研究する。 第1の予測は、異常の指標として、予測された特徴と観察された特徴のずれを心臓力学とフラグで予測する。 2つ目は、睡眠と心臓由来の信号とを融合させるマルチタスクの定式化である。
  論文  参考訳（メタデータ） (2026-05-13T17:43:07Z)
• ExDR: Explanation-driven Dynamic Retrieval Enhancement for Multimodal Fake News Detection [23.87220484843729]
  マルチモーダルのフェイクニュースは 深刻な社会的脅威を引き起こします Dynamic Retrieval-Augmented Generationはキーワードベースの検索をトリガーすることで、有望なソリューションを提供する。 マルチモーダルフェイクニュース検出のための説明駆動動的検索生成フレームワークであるExDRを提案する。
  論文  参考訳（メタデータ） (2026-01-22T10:10:06Z)
• Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
  動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。 動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。 提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-30T15:39:34Z)
• Detecting, Explaining, and Mitigating Memorization in Diffusion Models [49.438362005962375]
  そこで本研究では,テキスト条件予測の大きさを検査することで,暗黙のプロンプトを検出する方法を提案する。 提案手法はサンプリングアルゴリズムを中断することなくシームレスに統合し,第1世代でも高い精度を実現する。 検出戦略に基づいて,個々の単語やトークンの記憶への寄与を示す説明可能なアプローチを提示する。
  論文  参考訳（メタデータ） (2024-07-31T16:13:29Z)
• Guidance in Radiology Report Summarization: An Empirical Evaluation and Error Analysis [3.0204520109309847]
  本稿では,放射線診断レポートの要約のためのドメインに依存しない誘導信号を提案する。 我々は,11のきめ細かい誤りの分類に従って,4つのシステムについて専門的な評価を行う。 その結果, 自動要約と放射線科医の違いは, 内容選択に関係していることが判明した。
  論文  参考訳（メタデータ） (2023-07-24T13:54:37Z)
• Verifying the Robustness of Automatic Credibility Assessment [50.55687778699995]
  入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。 また、誤情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAについても紹介する。 我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
  論文  参考訳（メタデータ） (2023-03-14T16:11:47Z)

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。