使用主题建模技术进行非药物干预探索
使用知识图谱、机器学习和深度学习等工具,分析COVID-19相关的PubMed数据集和CORD-19数据集,发现专家、生物实体,预测相关疾病、药物候选者、基因突变和相关化合物,从而帮助生物医学研究人员应对COVID-19大流行。
Jul, 2020
利用 NLP 技术(如命名实体识别和聚类算法)对 PubMed 数据库中的 LitCovid 文献进行分析,从中筛选出与 COVID-19 相关的生物实体、症状、并发症等,帮助人们快速了解 COVID-19 相关文献的主题和研究进展。
Aug, 2020
该研究应用自然语言处理技术对社交媒体数据进行分析,以确定COVID-19大流行期间的心理社会压力源,并分析各阶段压力源的流行趋势。结果可用于提供洞察力,以便为个人提供高质量的心理健康支持。
Jan, 2022
本研究使用 Spark NLP for Healthcare 库中的临床和生物医学自然语言处理模型对 CNN 和 The Guardian 的新闻出版物进行分析,以探究 COVID-19 在这些媒体组织中的报道偏见,以及如何通过具体的医学概念与多种人口统计学数据的相关性把握这些报道的变化、患者所感受到的药品和疫苗的不良事件的情况,并进一步研究药品和疫苗制造商受到媒体报道的影响,得到疫苗犹豫等问题的关注度。
Mar, 2022
本文研究了意大利在线报纸上COVID-19危机最初几个月的比喻语言。重点对比了记者在政府应对疫情的第一和第二阶段所使用的主题和比喻语言。使用定量和定性方法进行分析,找到了第一和第二阶段讨论的主题之间的显著变化和主题特定比喻的有趣重叠点。此外,使用定性语料库分析,针对经济和社会主题,给出了更深入的案例研究。
Apr, 2022
本研究采用现代自然语言处理技术设计了一个基于问题回答系统,以应对COVID-19大规模信息泛滥和不实传言。我们依据Ingwersen的信息检索认知模型,从社会技术角度推导并转化成具体的设计要求和设计原则,并以CORD-19数据集为基础构建了一个样机系统。我们根据生物医学专家标记的COVID-19问题样本,评估了系统的答案质量,证明了其有用性。
Apr, 2022
本文提出一个最小化监督的多任务学习框架,用于理解在Facebook上与COVID疫苗相关的信息,包括广告主题和道德基础,通过更详细的主题分析来分析疫苗宣传在社交媒体上的信息策略,从而帮助政策制定者做出更好的流行病控制决策。
Oct, 2022
本研究使用深度学习模型,利用印度Twitter数据集,对COVID-19疫情的第一至第三波进行话题建模,发现官方治理、疫苗接种和疫情管理等是话题重叠的主题,并发现 COVID-19 疫情的政治、社会和经济情况下出现了新问题。研究结果表明,不同时期的主要话题与相应时间段流行的新闻媒体有强烈的定性相关性。该研究还具有扩展到其他国家和地区捕捉COVID-19疫情不同阶段的主要问题的潜力。
Feb, 2023
基于CORD-19文本摘要的CORToViz可视化工具,利用最新科技,通过聚类文章并提取主题的方法,提供快速可视化主题内容和趋势的交互式仪表盘,适用于任何文本文档语料库的数据准备和结果可视化。
Oct, 2023
通过长期主题模型,我们研究了COVID-19期间儿童心理健康的变化,发现性别和性别少数群体的儿童在大流行事件和疫苗相关新闻方面表现更为明显,为临床医生识别与儿童性别和性别认同相关的心理健康差异提供了宝贵的见解。
Dec, 2023