维基百科全球疾病监测与预测
使用社交媒体数据进行疾病监测,提出了一种基于个人水平而非人口统计学水平的新的疾病监测系统,通过组合文本分析、异常检测和社交网络分析等手段,可以在个人水平诊断感染流感的准确性超过99%。
Apr, 2014
运用维基百科文章内容,基于命名实体识别器,实现对病例,死亡和住院人数在文章叙述中的标记,并且利用2014年西非埃博拉病毒疾病流行文章为案例研究,来展示与真实数据高度一致的详细时间序列数据,从而提出维基百科可以被用于创建第一个以社区为驱动的开源新兴疾病检测、监测和库存系统的观点。
Apr, 2015
本文调查了基于文本数据集的疫情情报中,选择相关文本和预测疫情事件的健康提及分类和健康事件检测方法,着重讨论了这两类方法中的计算语言学技术,同时提供了流行病情报的注释技术、资源和评估策略的最新状况。
Mar, 2019
该文介绍了GeoCoV19——一个包含524百万条推文的大规模Twitter数据集,通过基于地名词典的方法来推断推文的地理位置,而这一大规模、多语言、地理定位的社交媒体数据可以帮助研究社区评估社会如何共同应对这一前所未有的全球危机,以及建立计算方法来应对如识别假新闻,理解社区的知识差距,建立疾病预测和监测模型等挑战。
May, 2020
使用社交媒体上用户生成的文本数据进行公共卫生监测的研究表明,使用预训练语言模型(PLM)的进展促进了针对社交媒体上公共卫生监测任务的新模型的开发。本文介绍了一种名为PHS-BERT的PLM,该模型在公共卫生监测任务上的表现优于现有的PLMs,并在广泛的数据集上表现出鲁棒性和泛化性。
Apr, 2022
利用社交媒体进行生物监测能够提高流行病管理的实时性和效率,但需要更加可靠的应用程序用于疫情预测、公众舆论和虚假信息的管理,以及关注潜在的精神健康问题,预防措施在控制流行病方面变得至关重要。
Oct, 2022
通过构建一个受重力模型推动的区域移动性图和使用传递感知的图卷积网络模型,我们提出了一种从街景图像中评估疫情暴露风险的低成本、可扩展的方法,实验证明该模型在加权F1评价指标上比基准模型提升了8.54%。
Nov, 2023
社交媒体为时事趋势和事件提供了便捷获取信息的平台,我们通过开发一个提取和分析社交媒体帖子中流行病相关事件的框架,利用事件检测技术实现更好的灾害预防和预警,为新兴流行病的应对提供了基础。
Apr, 2024
本文综述了最近在利用机器学习技术(尤其是Transformer 模型)预测疫情期间人类流动模式方面的进展。了解疫情期间人们的流动情况对于建立疾病传播模型和制定有效的应对策略至关重要。预测人口流动对于提供流行病学模型的信息和在公共卫生紧急情况下实施有效的应对计划非常关键。预测流动模式可以使当局更好地预测疾病的地理和时间传播情况,更高效地分配资源,并实施有针对性的干预措施。我们回顾了一系列方法,这些方法既利用了像BERT这样的预训练语言模型,也利用了专门针对流动性预测任务设计的大型语言模型(LLMs)。这些模型在捕捉文本数据中的复杂时空依赖关系和上下文模式方面表现出重要潜力。
Apr, 2024
本研究解决了流行病监测中对非结构化大数据源信息提取能力不足的问题。通过利用大型语言模型(LLM)的力量并结合上下文学习,我们提出了一种新颖的方法来提高流行病建模与预测的准确性与时效性。研究结果显示,LLM能够显著提升流行病监测的效果,对未来的疫情管理具有重要影响。
Aug, 2024