メンタルヘルス

本研究では、自殺リスクの裏付けとなる証拠を提供するために、教師あり抽出言語モデルと生成言語モデルを統合する手法を提案する。我々のアプローチは3つのステップから構成される。まず、文レベルの自殺リスクと否定的感情を推定するためのBERTベースのモデルを構築する。次に、自殺リスクと否定的感情の両方の高い確率を強調することで、自殺リスクの高い文章を正確に特定する。最後に、MentaLLaMaフレームワークを用いた生成的要約と、特定された自殺リスクの高い文章からの抽出的要約、および自殺リスクの高い単語の専門辞書を統合する。私たちのチームSophiaADSは、CLPsychのSharedTaskにおいて、ハイライト抽出で1位、要約生成で10位を獲得した。

本研究では、メンタルヘルスの不調に関するSNS投稿いわゆる「病みツイート」に特有のオノマトペを抽出し、メンタルヘルス文脈で使われる単語との関係性を解明する。まず、既知のオノマトペ（「イライラ」「ドキドキ」など）に加え、メンタルヘルスの文脈で新たに登場したオノマトペ（「ヘラヘラ」「ガタガタ」など）も抽出した。次に、メンタルヘルス関連の単語を複数手法により抽出し、その単語と共起するオノマトペをLDAによりトピック分類した。トピック分類結果からオノマトペはメンタルヘルス不調に伴う身体感覚や心的経験に関する単語と共起しており、オノマトペからメンタルヘルスの不調を推定できる可能性があることを示した。

本研究では、大規模自然言語モデルを用いてSNS投稿からメンタルヘルスの状態を推定する手法を提案する。短文投稿SNSサービスXからメンタルヘルス関連の単語を含む日本語の投稿を収集した。投稿者のメンタルヘルスの不調の有無のアノテーションを3名で行いその多数決によりラベルを決定した。ラベル付きの投稿データを教師データとして日本語BERTのファインチューニングを行った。機械学習による分類結果に比べ、BERTは正解率が10％程度向上した。この結果から、大規模テキストデータによって事前学習したモデルがメンタルヘルスの不調の推定タスクの精度向上に寄与する可能性を示した。