MARC

 008250123s2024        us                              c    eng  d
■001000017162610
■00520250211152032
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383284261
■035    ▼a(MiAaPQ)AAI31334575
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aTurcan,  Elsbeth.
■24510▼aDetecting  and  Explaining  Emotional  Reactions  in  Personal  Narrative
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a217  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-01,  Section:  B.
■500    ▼aAdvisor:  McKeown,  Kathleen.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aIt  is  no  longer  any  secret  that  people  worldwide  are  struggling  with  their  mental  health,  in  terms  of  diagnostic  disorders  as  well  as  non-diagnostic  measures  like  perceived  stress.  Barriers  to  receiving  professional  mental  healthcare  are  significant,  and  even  in  locations  where  the  availability  of  such  care  is  increasing,  our  infrastructures  are  not  equipped  to  find  people  the  support  they  need.  Meanwhile,  in  a  highly-connected  digital  world,  many  people  turn  to  outlets  like  social  media  to  express  themselves  and  their  struggles  and  interact  with  like-minded  others.This  setting---where  human  experts  are  overwhelmed  and  human  patients  are  acutely  in  need---is  one  in  which  we  believe  artificial  intelligence  (AI)  and  natural  language  processing  (NLP)  systems  have  great  potential  to  do  good.  At  the  same  time,  we  must  acknowledge  the  limitations  of  our  models  and  strive  to  deploy  them  responsibly  alongside  human  experts,  such  that  their  logic  and  mistakes  are  transparent.  We  argue  that  models  that  make  and  explain  their  predictions  in  ways  guided  by  domain-specific  research  will  be  more  understandable  to  humans,  who  can  benefit  from  the  models'  statistical  knowledge  but  use  their  own  judgment  to  mitigate  the  models'  mistakes.In  this  thesis,  we  leverage  domain  expertise  in  the  form  of  psychology  research  to  develop  models  for  two  categories  of  emotional  tasks:  identifying  emotional  reactions  in  text  and  explaining  the  causes  of  emotional  reactions.  The  first  half  of  the  thesis  covers  our  work  on  detecting  emotional  reactions,  where  we  focus  on  a  particular,  understudied  type  of  emotional  reaction:  psychological  distress.  We  present  our  original  dataset,  Dreaddit,  gathered  for  this  problem  from  the  social  media  website  Reddit,  as  well  as  some  baseline  analysis  and  benchmarking  that  shows  psychological  distress  detection  is  a  challenging  problem.  Drawing  on  literature  that  connects  particular  emotions  to  the  experience  of  distress,  we  then  develop  several  multitask  models  that  incorporate  basic  emotion  detection,  and  quantitatively  change  the  way  our  distress  models  make  their  predictions  to  make  them  more  readily  understandable.Then,  the  second  half  of  the  thesis  expands  our  scope  to  consider  not  only  the  emotional  reaction  being  experienced,  but  also  its  cause.  We  treat  this  cause  identification  problem  first  as  a  span  extraction  problem  in  news  headlines,  where  we  employ  multitask  learning  (jointly  with  basic  emotion  classification)  and  commonsense  reasoning;  and  then  as  a  free-form  generation  task  in  response  to  a  long-form  Reddit  post,  where  we  leverage  the  capabilities  of  large  language  models  (LLMs)  and  their  distilled  student  models.  Here,  as  well,  multitask  learning  with  basic  emotion  detection  is  beneficial  to  cause  identification  in  both  settings.  Our  contributions  in  this  thesis  are  fourfold.  First,  we  produce  a  dataset  for  psychological  distress  detection,  as  well  as  emotion-infused  models  that  incorporate  emotion  detection  for  this  task.  Second,  we  present  multitask  and  commonsense-infused  models  for  joint  emotion  detection  and  emotion  cause  extraction,  showing  increased  performance  on  both  tasks.  Third,  we  produce  a  dataset  for  the  new  problem  of  emotion-focused  explanation,  as  well  as  characterization  of  the  abilities  of  distilled  generation  models  for  this  problem.  Finally,  we  take  an  overarching  approach  to  these  problems  inspired  by  psychology  theory  that  incorporates  expert  knowledge  into  our  models  where  possible,  enhancing  explainability  and  performance.
■590    ▼aSchool  code:  0054.
■650  4▼aComputer  science
■650  4▼aMental  health
■653    ▼aEmotion  detection
■653    ▼aEmotion  explanation
■653    ▼aNatural  language  processing
■690    ▼a0984
■690    ▼a0800
■690    ▼a0347
■71020▼aColumbia  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-01B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162610▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서