Improving Minority Stress Detection with Emotions

要約

心理的ストレスの検出はメンタルヘルスケア研究にとって重要な課題ですが、特にメンタルヘルスの悪化を受けやすい少数派の人々に対する心理的ストレスモデルの有効性を調査した先行研究はほとんどありません。
この研究では、マイノリティのストレス検出という関連タスクを使用して、心理的ストレス モデルが性的および性的マイノリティの言語を理解する能力を評価します。
従来の心理的ストレス モデルは少数派のストレス検出においてパフォーマンスが劣ることがわかり、そのパフォーマンスの差を減らすために感情を注入したモデルを使用することを提案します。
さらに、マルチタスク心理的ストレス モデルは、少数派ストレス データで直接トレーニングすることなく、少数派ストレス検出に関して現在の最先端のパフォーマンスを上回ることを示します。
私たちは、少数派のコミュニティでは一般集団とは異なる感情の分布があり、感情を注入したモデルは低データ環境での有効性により、過小評価されているグループに対するストレス モデルのパフォーマンスを向上させることを示す説明分析を提供し、感情を統合することで利益が得られる可能性があることを提案します。
他のメンタルヘルス検出タスクでは過小評価されているグループ。

要約(オリジナル)

Psychological stress detection is an important task for mental healthcare research, but there has been little prior work investigating the effectiveness of psychological stress models on minority individuals, who are especially vulnerable to poor mental health outcomes. In this work, we use the related task of minority stress detection to evaluate the ability of psychological stress models to understand the language of sexual and gender minorities. We find that traditional psychological stress models underperform on minority stress detection, and we propose using emotion-infused models to reduce that performance disparity. We further demonstrate that multi-task psychological stress models outperform the current state-of-the-art for minority stress detection without directly training on minority stress data. We provide explanatory analysis showing that minority communities have different distributions of emotions than the general population and that emotion-infused models improve the performance of stress models on underrepresented groups because of their effectiveness in low-data environments, and we propose that integrating emotions may benefit underrepresented groups in other mental health detection tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google