此研究介绍了 Reddit Health Online Talk (RedHOT)，这是一个包含来自 Reddit 的 22,000 条丰富注释的社交媒体帖子，涵盖 24 种健康状况的语料库。研究人员标注了医疗声明、个人经验和问题的范围，以及在特定声明中标记描述患者人群、干预和结果 (PIO) 元素的​​片段。使用此语料库，研究人员提出了在社交媒体上检索与给定声明相关的可信证据的任务，并提出了一种新方法来自动创建此任务的 (嘈杂的) 具体化。他们使用这种方法来训练一个密集的检索模型，结果表明此模型的性能优于基线模型。经过医生进行的检索结果手动评估表明，虽然该系统的性能很有前途，但仍有很大的改进空间。

Oct, 2022

通过语言分析，本研究测试了在线患者经验信息的多样性，并结合相似性训练了分类器，以准确识别社交媒体上的患者经验帖子，称之为患者声音分类。经过实验，心血管和神经类别的分类器在 Reddit 数据源上表现最佳，F1 分数分别达到 0.865 和 1.0，而对于全部数据进行训练的 Transformer 分类器在不同治疗领域和数据源的测试数据集上，F1 分数在 0.863 到 0.995 之间。

Nov, 2023

本文介绍了一种新的建模方法 MedFilter，以解决从医患对话中提取相关信息的任务。该方法有效提高了识别和分类任务相关话语的性能，并在下游的信息提取任务中取得了显著的改进。

Oct, 2020

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

本文针对社交媒体中的健康文本管理，设计了一种主题驱动的关键短语提取方案，提供了一个含有相关医疗信息的 KE 数据集 SuboxoPhrase，以及一个从 Reddit 中提取依赖性治疗药物的数据集案例，同时测试了 10 个常用的 KE 模型，为社交健康文本的大规模分析和有用的公共健康趋势或知识填补提供了基础。

Jan, 2023

通过随机加权干扰和对比学习策略培训语言模型，并提出元预测器以区分社交媒体文本中的非健康和健康相关类别，实验证明该策略提高了语言模型的性能，元预测器在三个基准数据集上优于现有的健康提及分类预测器。

Oct, 2023

在线社区、物质使用经历、多层次分类模型、GPT-4、PWUD 经历。

Jun, 2024

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

为了协助医学专家在日常活动中开发所需技术成为目前人工智能研究领域的热门话题。因此，最近提出了许多大型语言模型（LLMs）和自动基准，旨在利用自然语言作为人工智能与人类交互的工具，促进循证医学中的信息提取。本文提出了一个新的数据集，通过与以往研究不同的方式：（i）不仅包括正确答案的解释性论证，还包括解释错误答案不正确的论证；（ii）解释是由医生撰写的，以回答西班牙住院医师考试的问题。我们还利用这个新的基准来设置一项新的提取任务，即识别医生撰写的正确答案的解释。我们的设置的另一个好处是，我们可以利用提取问答范式来自动评估 LLMs 的性能，而不需要昂贵的人工评估。对西班牙语的语言模型进行了全面的实验，结果显示有时多语言模型的性能优于单语模型，甚至超过了已经针对医学领域进行调整的模型。此外，单语模型的结果不一致，表现竞争力的模型实际上更小、更低级。无论怎样，所获得的结果表明我们的新数据集和方法可以有效帮助医学专业人员识别与医学问题相关的循证解释。

Dec, 2023

本研究探讨了利用社交媒体中个人状态和意见来研究人类健康的方法，包括数据预处理、持续预训练和优化策略，特别是对于命名实体识别任务，我们使用了名为 W2NER 的模型架构以提高模型的泛化能力。我们的方法在任务 3 中获得第一名。

Dec, 2023