May, 2017

吸毒者：医疗社群中用户声明的可信度

PDF
TL;DR本研究提供了一种基于语言线索和专家远程监督的方法，用于自动建立用户生成的医疗声明的可信度和作者的信任度。我们将这种方法应用于提取药物的罕见或未知副作用的任务，并证明其可以可靠地提取副作用和过滤错误的声明，同时确定有价值的医疗信息的可信用户。
发现论文，激发创造
  • 基于实体的论述表达方式提高推特中医疗内容的事实核查

    为使社交媒体上的用户生成内容可以通过现有模型进行事实核查，本文提出了一种利用关联实体信息来压缩含有主题实体、关系和客体实体三元组成的声明式陈述或提取最短包含这些元素的短语的方法，其可提高各种验证模型的性能。

    Sep, 2022

  • 自动可信度评估 COVID-19 新闻内容的用户体验设计

    该研究通过提出的两项实证研究，评估了图形界面的可用性，并确定了评分标准、子标准和算法作者的重要性。最终，该研究提出了未来研究的建议，如主动记录与可信度相关的元数据，建立自动可信度评估的用户体验预测因素的明确的分层分类。

    Apr, 2022

  • ExpertQA: 专家策划的问题及答案

    验证与归因对于领域特定的语言模型在高风险领域中提供准确信息至关重要，本研究通过领域专家的参与，对领域特定的语言模型生成的回答进行事实性和归因方面的评估研究，并构建了包含 32 个领域，2177 个问题以及验证答案和归因的高质量长型问答数据集 ExpertQA。

    Sep, 2023

  • 解读叙事：分析在 Reddit 上分享的个人药物经历

    在线社区、物质使用经历、多层次分类模型、GPT-4、PWUD 经历。

    Jun, 2024

  • 医学关系提取的众包真实性数据

    使用 CrowdTruth 方法通过众包获得医疗关系提取的注释数据集，并通过建模歧义性提高数据质量并减少成本，展示了在人类和机器性能方面均考虑歧义性时的加权测量精度、召回率和 F 度量的优势。

    Jan, 2017

  • 通过对社交媒体预测进行分类并通过实际市场数据检查预测，对金融专家的可信度进行可解释的评估

    社交媒体中，通过自然语言处理和机器学习相结合的方式来评估金融创作者的可信度，并提供准确的市场数据验证和连续的可信度评分，同时利用社交媒体指标和相关性分析来提供决策的自然语言解释。

    Jun, 2024

  • 识别社区媒体发布的使用、滥用和成瘾的自我披露

    为了更有效地预防意外的阿片类药物过量，医务人员需要强大且及时的工具来有效识别患者的风险，本研究通过 Reddit 这类社区平台中的自述信息，构建了一个中等规模的含有 2500 条与阿片类药物相关的帖子语料库，对这些帖子进行了分阶段的注释，并通过研究这些注释在模型开发和质量方面的作用，评估了几种最先进的模型，结果显示，在高风险领域如阿片类药物使用障碍研究中，使用解释可以显著提高分类准确度。

    Nov, 2023

  • 面向解释性虚假信息检测的联动可信度审查

    本文提出了一种基于可信度评估的体系架构，用于建立分布式机器人网络协同实现误传信息检测，并且通过使用 Schema.org 扩展和 NLP 技术实现语义相似性和态度检测，有效地提高了可伸缩性、领域独立性、可组合性、可解释性和透明度，同时还在 Clef'18 CheckThat! Factuality 任务上取得了新的明显的效果。

    Aug, 2020

  • 在社交媒体上增强不良药物反应规范化：通用模型初始化和生物医学语义文本相似性在非正式语境中受益为零射连接

    通过 BioLORD 的通用模型初始化和名为 STS 的语义文本相似度微调，在社交媒体上提出了一种新的逆药物事件归一化方法，通过实验结果展示了其在多个社交媒体数据集上的有效性，并成为逆药物事件归一化任务的一个转折点，具有成为未来研究领域的基准的潜力。

    Jul, 2023

  • 寻找可信新闻

    本篇论文研究了如何在社交媒体中找出虚假新闻。作者提出了基于语言学、可信度、语义等各种特征来自动识别虚假新闻的方法，并使用三个不同的测试集测试了该方法，在高精度的情况下可以准确地区分真实新闻和虚假新闻。

    Nov, 2019