[論文レビュー] Who We Are, Where We Are: Mental Health at the Intersection of Person, Situation, and Large Language Models

Nikita Soni, August Nilsson+4 more|arXiv (Cornell University)|Mar 6, 2026

Mental Health via Writing被引用数 0

ひとこと要約

この論文は、個人レベルの特性と Situational 8 DIAMONDS の特徴および HaRT ベースの埋め込みを組み合わせた理論に根ざした解釈可能なモデルを提案し、長期的なソーシャルメディアデータにおける幸福感を予測し、適応的/非適応的な自己状態を検出する。原理に基づくベースラインを心理計量学的に情報を組み込んだ言語モデルと比較し、解釈性のための予測特徴を分析する。

ABSTRACT

Mental health is not a fixed trait but a dynamic process shaped by the interplay between individual dispositions and situational contexts. Building on interactionist and constructionist psychological theories, we develop interpretable models to predict well-being and identify adaptive and maladaptive self-states in longitudinal social media data. Our approach integrates person-level psychological traits (e.g., resilience, cognitive distortions, implicit motives) with language-inferred situational features derived from the Situational 8 DIAMONDS framework. We compare these theory-grounded features to embeddings from a psychometrically-informed language model that captures temporal and individual-specific patterns. Results show that our principled, theory-driven features provide competitive performance while offering greater interpretability. Qualitative analyses further highlight the psychological coherence of features most predictive of well-being. These findings underscore the value of integrating computational modeling with psychological theory to assess dynamic mental states in contextually sensitive and human-understandable ways.

研究の動機と目的

• 文脈における動的なメンタルヘルス状態をNLPと心理理論で橋渡しする。
• 個人レベルの特性と Situational 8 DIAMONDS（S8D）特徴を principled ベースラインとして統合する。
• HaRT ベースの個人-文脈埋め込みを活用して言語の時間的ダイナミクスを捉える。
• 幸福感と適応/非適応的自己状態の予測性能を評価する。
• 幸福感とそれに最も強く関連する心理的特徴の定性的洞察を提供する。

提案手法

• S8D の状況特徴と四つの PLT サブドメイン（暗黙的動機、精神健康、レジリエンス、認知の歪み）を組み合わせた principled ベースラインを構築する。
• Deepseek-R1 の few-shot prompting を用いて投稿を八つの S8D 次元に注釈付けする。
• RoBERTa-Large、感情/和声/満足/不安/抑うつ指標、ReLM のレジリエンス要素を用いて、文レベルと投稿レベルで 19 の PLT 特徴を計算する。
• HaRT を微調整して、時系列履歴からの個人-文脈埋め込みを投稿レベルおよび文レベルの予測に用いる。
• 連続的な幸福感の予測には投稿レベルでリッジ回帰、適応/非適応ラベルの予測には文レベルでロジスティック回帰を用いる。
• モデルを評価するためのネストした 5 分割交差検証と、根拠レベルの注釈を抽出する閾値を使用する。

Figure 1: Distribution of probabilities to predict adaptive state for a given sentence. On the top is using HaRTWB-FT + PLT features, and the bottom is using PLT features in Logistic Regression models.

実験結果

リサーチクエスチョン

• RQ1 S8D と PLT 特徴を組み合わせた理論に基づくベースラインは、心理計量言語モデルと同等かそれ以上に幸福感を予測できるか？
• RQ2 HaRT の個人-文脈 embedding は、 principled ベースラインを超えて幸福感や自己状態の証拠検出に追加の予測力を提供するか？
• RQ3 長期的なソーシャルメディアデータにおいて、幸福感と非適応/適応的自己状態と最も強く相関する心理的特徴はどれか？

主な発見

• 投稿から推定される状況的特性（S8D）は、注釈付き幸福感スコアの予測に有意な影響を持つ。
• S8D と PLT 特徴を組み合わせた principled ベースラインは、個別特徴グループよりも性能を改善する。
• HaRT ベースの個人-文脈埋め込みは幸福感予測の内部検証でベースラインを上回り、組み合わせ特徴セットが最も高い性能を達成する。
• HaRT ベースのモデルは適応的および非適応的なエビデンスの区間を効果的に識別し、基礎特徴よりも言語変動への感度が高い。
• 定性的分析は、幸福感と充足感、生活の調和、前向きさとの正の関連性、特定のレジリエンス指標および認知歪み指標との負の関連性を強調する。

Figure 2: Qualitative analysis of features in our principled baseline consisting of psychological characteristics of the situation and person-level traits. Left: Pearson correlation coefficients; Right: Ridge regression beta coefficients for predicting well-being with the S8D and PLT features.