Oct, 2023

COVID-19 南非疫苗犹豫模型在 M-pox 推文上进行微调后性能提升

PDF
TL;DR自 2022 年 5 月开始报告了大量非传染病国家的 M-pox 病例，让许多人担心 M-pox 疫情会迅速过渡到另一次大流行，与此同时 COVID-19 疫情仍在肆虐。鉴于 M-pox 与 COVID-19 的相似性，我们选择测试在南非 Twitter 数据上训练的 COVID-19 模型在手动标记的 M-pox 数据集上进行微调前后的性能。从南非获得的 20,000 多个与 M-pox 相关的推文通过手动标记为积极、消极或中性。在将这些 COVID-19 模型在 M-pox 数据集上进行微调后，F1 分数提高了超过 8％，接近 70％，但仍优于最先进的模型和众所周知的分类算法。使用基于 LDA 的主题建模程序比较了原始 COVID-19 RoBERTa 模型与其微调版本中误分类的 M-pox 推文，从这个分析中，我们能够得出如何构建更复杂模型的结论。
发现论文，激发创造
  • 利用机器学习从南非推特数据中检测 COVID-19 疫苗犹豫的存在

    通过手工标记方法分析南非推文中的疫苗犹豫情绪，建立 AI 分类模型，并评估其在 UGC 分类中的可靠性。在 30000 个南非推文数据集上，使用 LSTM、bi-LSTM、SVM、BERT-base-cased 和 RoBERTa-base 模型进行情感分析。其中，BERT 和 RoBERTa 模型的整体 F1 得分分别达到 60% 和 61%。采用 LDA 主题建模以改进 RoBERTa 模型的准确性。

    Jul, 2023

  • 分析 MPox 疫情期间公众反应、认知和态度：基于推特话题建模的发现

    这篇论文通过对推特上关于 2022 年 MPox 疫情爆发期间发布的 601,432 条推文进行主题建模，得出了四个主要主题，并发现在这个时间范围内，关于 MPox 的观点和看法是推特上最流行的话题。

    Dec, 2023

  • 一种基于 CNN-LSTM 的混合深度学习方法，用于检测猴痘推文情感极性

    本研究使用基于 CNN 和 LSTM 的混合技术来分析社交媒体上关于 Monkeypox 疾病的用户反应，研究发现推荐模型在猴痘推文数据集上的准确度为 94％，并提供了与传统机器学习方法的比较。

    Aug, 2022

  • 关于 COVID-19 和 MPox 的 Twitter 公共话语的情感分析和文本分析

    通过对 61762 条同时关注 MPox 和 COVID-19 的推文进行研究，本文基于 VADER 方法的情感分析显示，近一半的推文具有负面情感，其次是积极情感和中性情感的推文。此外，文中还列举了这些推文中使用最多的 50 个标签和最常用的 100 个词语，并提供了与先前 49 篇相关研究的综合对比研究，以进一步证明本文的相关性和新颖性。

    Dec, 2023

  • 分析尼日利亚网络空间中的 COVID-19 疫苗情感：基于手动标注的 Twitter 数据集的洞察

    使用 Transformer-based 语言模型研究尼日利亚人对疫苗的接受程度，数据分析及可视化表明，大多数推文对 COVID-19 疫苗持中立态度，个别人表示积极看法，对特定疫苗类型没有强烈偏好，尽管 Moderna 疫苗获得了稍微更多的积极情绪。同时发现，通过对适当数据集进行微调，即使预训练的 LLM 没有在特定语言上进行过预训练，也可以获得有竞争力的结果。

    Jan, 2024

  • 使用新病毒变异和疫苗有效性模型进行 COVID-19 预测

    本文利用长期记忆机器学习方法预测 COVID-19 新感染病例日趋势，并探讨疫苗的保护效力、衰减和不同变异体的传染力。结果发现，第二针和第三针疫苗的保护力分别为 0.24 和 0.95，并使用提取出的相关参数复制了日本三个地区的新病例。

    Jan, 2022

  • 中等收入国家的 COVID-19 疫苗虚假信息

    本研究介绍了一个涉及巴西、印度尼西亚和尼日利亚三个中等收入国家的 COVID-19 疫苗错误信息的多语言数据集。我们采用了两种方法来开发 COVID-19 疫苗错误信息检测模型：领域特定的预训练和使用大型语言模型进行文本增强。我们的最佳错误信息检测模型相较于基准模型在宏 F1 分数上的改进范围从 2.7 到 15.9 个百分点。此外，我们将我们的错误信息检测模型应用于 2020 年至 2022 年期间来自这三个国家的 1900 万条未标记推文的大规模研究，展示了我们数据集和模型在多个国家和语言中检测和分析疫苗错误信息的实际应用。我们的分析结果表明，巴西和印度尼西亚的新冠病例数量的百分比变化与 COVID-19 疫苗错误信息率呈错位的正相关，而这三个国家之间的错误信息率之间存在显著的正相关。

    Nov, 2023

  • 利用大型语言模型进行 COVID-Tweets 的多标签分类

    构建一个有效的多标签分类器，根据社交媒体帖子（尤其是推文）作者表达的特定疫苗相关担忧，对其进行标签化，比较三种不同的模型，其中 Supervised BERT-large-uncased 模型效果最佳。

    Dec, 2023

  • MpoxSLDNet：一种新型 CNN 模型用于检测猴痘病变及与预训练模型性能比较

    介绍了一个名为 MpoxSLDNet（Monkeypox Skin Lesion Detector Network）的卷积神经网络模型，用于早期检测和分类数字图像中的天花病毒皮损和非天花病毒皮损，并相比传统预训练模型如 VGG16、ResNet50 和 DenseNet121 在性能指标上提供了卓越的表现，同时对存储空间的需求也显著减少，从而在资源受限的医疗环境中提出了实用的解决方案。

    May, 2024

  • COVID-19 假新闻检测模型的泛化能力

    为了抗击 COVID-19 疫情期间社交媒体上的虚假信息，本文提出两种方法，一是 fine-tuning transformers-based language models，二是通过 influence data cleansing 去除危险的训练实例。通过在两个 COVID-19 虚假新闻测试集上评估模型，我们强调了此任务的模型泛化能力的重要性。最终模型可以达到高性能和模型泛化性能的平衡。

    Jan, 2021