通过收集推特上有关疫苗接种的数据，以不同的主题评估模型的性能，本研究旨在支持未来在健康领域的论证挖掘研究，采用各种策略来聚合带有主张的推文文本，包括从 SMM4H 2022 排名榜中的具有特征级（早期）融合和双视图架构的模型。

Nov, 2023

通过采用具有 LLMs 解释机制的 ALEX 架构，本研究旨在提高社交媒体上公共卫生分析的性能，结果表明我们的 ALEX 模型在 Social Media Mining for Health 2023 (SMM4H) 的所有任务中获得了最佳表现，并在任务 1 中获得了高分。

Sep, 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

本研究介绍了一种基于 BERT 的命名实体识别（NER）模型，一个深度学习规范化模块以及一个半监督聚类模块构建的框架，用于从社交媒体中提取与 COVID-19 相关的症状词典，并对其进行标准化，以减少在基于社交媒体的公共卫生研究中的关键词匹配信息检索约束。

Jun, 2023

采用多任务学习框架，通过使用情感检测作为辅助任务，利用相关任务中可用的标注数据来提高社交媒体文本中个人健康体验检测的性能，从而显著提高了个人健康提及检测任务的范围与强大状态下的基线相比。

Dec, 2022

在这项共享任务中，我们提出了一种新颖的方法来识别和分类 LLMs 和人类领域专家在 COVID-19 症状检测方面从拉丁美洲西班牙语推文中进行的注释，旨在提高注释数据的可靠性。

May, 2024

本研究参与了 SMM4H 2024 研讨会的第 3 和第 5 任务，以解决推文数据中的分类挑战。通过使用预训练的编码器 - 解码器模型，如 BART-base 和 T5-small，利用迁移学习识别了给定推文的标签，并采用数据增强方法提高了模型性能。最终，在第 3 任务中获得了 0.627 的最佳 F1 分数，在第 5 任务中获得了 0.841 的最佳 F1 分数。

Apr, 2024

使用基于 Transformer 的多个模型对推文进行预处理，实现自动识别 COVID-19 诊断的推文，并获得高于平均值 4.1% 的 84.5% 的 F1 分数。

Nov, 2023

使用社交媒体上用户生成的文本数据进行公共卫生监测的研究表明，使用预训练语言模型（PLM）的进展促进了针对社交媒体上公共卫生监测任务的新模型的开发。本文介绍了一种名为 PHS-BERT 的 PLM，该模型在公共卫生监测任务上的表现优于现有的 PLMs，并在广泛的数据集上表现出鲁棒性和泛化性。

Apr, 2022

该论文提出了应用 BiLSTM-CRF 进行命名实体识别 (NER) 和多种机器学习算法进行文本分类的研究。 基于我们的方法在英语和西班牙语中的有效性，我们的工作可以推广到不同的语言。 在 SMM4H 共享任务中，作为 MIC-NLP 团队，我们的文本分类提交在 ADE 分类 (任务 1a) 和职业分类 (任务 7a) 方面取得了 0.46 和 0.90 的 F1 分数，命名实体识别的提交在 ADE Span Detection (任务 1b) 和职业 Span detection (任务 7b) 方面取得了 0.50 和 0.82 的 F1 分数。

Jun, 2021