大規模な言語モデルによる二重ストリームモデリングによるうつ病検出:BERTとT5の表現を統合した融合ベースの転送学習フレームワーク
Na Wang1,2,3, Weijia Zhang2, Raja Kamil1
1Faculty of Engineering, Universiti Putra Malaysia, UPM Serdang, Serdang, Selangor, Malaysia.
Frontiers in big data
|February 20, 2026
まとめ
この研究は,言語からうつ病の検出を改善するために,BERTとT5の融合を使用して新しい並列転送学習フレームワークを導入しています. この方法は精度と精度を高め,プライバシーに配慮したアプローチで精神衛生診断を行うことができます.
科学分野:
- 人工知能 (AI) とは,人工知能 (AI) のことです.
- コンピュータ言語学 コンピュータ言語学
- メンタルヘルス技術 メンタルヘルス技術
背景:
- 鬱病の診断は極めて重要ですが,限られたデータアクセスとプライバシーの懸念により,問題となっています.
- 鬱病検知のための既存のAIモデルでは,データ不足とプライバシーの制限に苦しんでいます.
- Large Language Models (LLMs) は潜在的可能性を秘めているが,メンタルヘルスアプリケーションには専門的な統合が必要である.
研究 の 目的:
- 音声データを用いてうつ病の検出のためのプライバシーに配慮した,堅牢なAIフレームワークを開発する.
- 言語分析の強化のための融合メカニズムを通じて,BERTとT5の補完的な強みを活用する.
- 人工知能駆動型うつ病検知システムの正確性と信頼性を向上させる.
主な方法:
- BERTとT5モデルを融合メカニズムで統合したパラレルトランスファー・ラーニング・フレームワーク.
- 両方のLLMから統合された意味学的な埋め込みを使用して,転写されたスピーチから包括的な言語的ヒントをキャプチャします.
- 1D CNNと密度の高いネットワークを備えた二重ブランチアーキテクチャを使用し,最終的な予測のための融合層が続きます.
主要な成果:
- 提案されたBERTとT5融合方法は,E-DAICデータセットのベースラインモデルを大幅に上回った.
- 91.3%の精度 (3.0%の上昇),95.2%の精度 (6.9%の上昇),および90.0%のF1スコア (1.7%の上昇) を達成しました.
- 鬱病検出のパフォーマンスを向上させるためのLLM融合の有効性を実証しました.
結論:
- BERTとT5の融合は,並列移転学習を通じて,うつ病の検出を改善するのに有効です.
- このアプローチは,メンタルヘルスアプリケーションのスケーラブルでプライバシーに配慮したソリューションを提供します.
- 精神保健医療における課題に対処する上で,高度なAI技術の潜在力を強調する.