在线社区、物质使用经历、多层次分类模型、GPT-4、PWUD 经历。

Jun, 2024

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

通过使用社交媒体数据，特别是由有实际使用经验的人生成的数据，来更好地了解物质使用障碍的临床和社会影响，并开发能够自动检测社交媒体数据中物质使用的临床和社会影响的系统，以帮助制定有效的公共卫生战略。

May, 2024

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

通过自然语言处理和机器学习分类器，本研究以 Reddit 学术社群为对象，检测和分析与压力相关的帖子，发现 Bag of Words 与 Logistic Regression 分类器结合在压力检测上效果最佳，准确率达到 77.78%，F1 得分为 0.79。研究结果表明，与本科生、研究生和博士生等学术层次相比，教授在 Reddit 社群中的帖子和评论是最具压力的。本研究对于了解学术社群压力水平具有重要意义，可以帮助学术机构和在线社群有效地解决这一问题。

Dec, 2023

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。

May, 2017

应用大型语言模型（LLMs）从临床记录中提取各种药物使用障碍（SUD）诊断的严重性相关信息的研究，展示 LLMs 在提取严重性信息方面的优越性，有助于改善 SUD 患者的风险评估和治疗计划。

Mar, 2024

该论文提出了一种利用上下文分析的无监督算法，能够检测出被用作委婉语的词汇，识别其秘密含义，并与现有技术相比获得高达 30% 至 400% 的准确度提升；这一算法在内容审核和政策规范的博弈中为审核员提供了有力的工具。

Mar, 2021

通过两项在线研究探究了评注者身份和信仰对有毒语言的评注的影响，发现评注者的身份和信仰与有毒性评分之间有很强的关联，表明对有毒语言的注释需要在社会变量中予以情境化考虑，进而提高有毒语言的注释和检测的准确性。

Nov, 2021