ドメイン知識に基づいた密度抽出による、ソーシャルメディアの長文投稿からの精神疾患分類の頑健性向上
Domain-informed density extraction for robust mental health classification of long social media posts
本研究は、ソーシャルメディアの長文投稿から精神疾患を早期に特定する際の課題に取り組む。特に、Redditのようなプラットフォームでは、投稿が長大でデータが偏っているため、テキスト分類に困難が伴う。従来のデータ前処理パイプラインにおける、学習・テスト分割前にチャンキングやオーバーサンプリングを適用する手法は、データリーケージを引き起こし、性能評価を過大評価する可能性があることを指摘。この問題に対処するため、学習データのみから抽出された辞書を用いて臨床的に関連性の高い文章を特定する、ドメイン知識に基づいた密度抽出法と、リーケージを防ぐ評価プロトコルを提案する。提案手法は、ロジスティック回帰、線形SVM、XGBoost、fastText、RNN、TextCNN、およびMentalBERTを含む複数のモデルで評価された。リーケージ排除後、従来の重み付けチャンキングの優位性は失われたが、提案手法は固定ウィンドウチャンキングを上回り、一部のモデルではフルテキストベースラインに匹敵またはそれを超える性能を示した。特に、ロジスティック回帰、RNN、fastTextでは統計的に有意な改善が見られ、Transformerモデルにおいても、単純な切り捨てよりも高い性能を示した。この結果は、精神疾患分類における信頼性の高い結果を得るためには、リーケージ安全な評価プロトコルが不可欠であることを示唆している。また、ドメイン知識に基づいた密度抽出は、特にモデルが投稿全体を処理できない場合に、頑健で実用的なテキスト表現を提供することを示した。
- ソーシャルメディアの長文投稿からの精神疾患分類において、従来のデータ前処理パイプラインがデータリーケージを引き起こし性能を過大評価する問題を指摘し、リーケージ安全な評価プロトコルを提案した
本記事は精神疾患分類におけるテキスト分類手法の頑健性向上に関する学術研究であり、特定企業の製品開発や事業化に直結するものではない。ただし、データリーケージ問題への対処やドメイン知識を活用した密度抽出法は、ヘルステック領域のAI応用における信頼性向上に寄与する技術的知見であり、AI分野の研究動向として注視に値する。投資判断に直結する具体的な商業的事象は含まれない。