基于主题的社交媒体阿片类药物康复关键词提取
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
该研究分析了社交媒体上的药物滥用帖子和通过加密市场公开售卖的合成阿片类药物,并使用药物滥用本体论,深度学习和基于 BERT 的模型来生成情感和情绪,进而了解用户对各种药物的感知,核对各个药物对应的情绪和情感,结合话题分析帮助政策制定,在必要时进行干预以遏制阿片类药物的危害。
Mar, 2021
研究自动理解社交媒体上的用户生成内容,利用基于序列到序列模型的神经关键短语生成框架提取突出信息,并允许生成缺失关键短语。实验表明该模型在三个数据集中表现优异,能学习有意义的主题,从而解释其在社交媒体关键短语生成中的优越性。
Jun, 2019
通过对 Reddit 上的用户帖子进行收集和分析,结合关注度双向长短期记忆模型,该研究利用机器学习技术成功识别出了滥用阿片类药物的用户,并通过关注层提取了关键词,从而更好地理解该算法如何区分药物使用者和非药物使用者。
Feb, 2024
本文介绍了一种基于自然语言处理和机器学习技术的高级端到端管道,用于从社交媒体平台 Twitter 和 Reddit 中收集关于非医疗处方药物使用的信息,以提高社交媒体研究毒剂监测的效率。
Nov, 2022
本文使用深度学习、BERT 模型以及情感分析来研究社交媒体中与合成类阿片类药物相关的帖子,分析了社交媒体和加密市场数据,探究人们对不同药物的感受和态度,最终建立了基于这些特征的时间感知神经模型,成功地 (具有统计学意义) 识别出物质滥用障碍。
Apr, 2023
利用基于语言模型的提取系统以及外部知识,从社交媒体用户帖子中自动提取与医疗状况相关的患者经历和医疗状况信息,可用于有效监测医疗谣言的传播和验证用户主张。
Apr, 2023
本研究论文提出了一种监督式关键词提取方法,用于检测涉及儿童诱导和毒品交易的大容量聊天记录中的相关信息,以进行法医学分析。所提出的方法 JointKPE++ 在 JointKPE 关键词提取器的基础上进行了改进,以有效处理较长的文本。我们使用基于 BERT 的预训练模型对 JointKPE++ 进行评估,评估包括儿童诱导和毒品交易数据集,其中包括 BERT、RoBERTa、SpanBERT 和 BERTimbau。结果显示相比传统方法,JointKPE++ 具有显著改进,并展示了其帮助法医专家高效检测与犯罪活动相关的关键词的潜力。
Sep, 2023
通过事件的视角,本文提出了一种用于表征社交话语中与健康相关的信息搜寻的范例。利用 Reddit 帖子进行案例研究,以药物治疗 Opioid Use Disorder (OUD) 为例,建立了 TREAT-ISE 数据集,该数据集包含基于不同事件类型进行注释的 OUD 社交话语中的信息搜寻事件。并借助多个机器学习和深度学习分类器,建立了一个强大的性能基准(77.4% F1 score),并深入研究了 ChatGPT 在这一任务上的表现和错误,提供了有价值的见解和持续的表征工作。
Aug, 2023