Dec, 2023

基于推特的偏见医疗声称级联检测

PDF
TL;DR社交媒体上可能会传播强调社会识别因素与疾病之间误导性相关性的医疗声明，而不考虑健康的结构性决定因素。我们的研究旨在识别 Twitter 上的偏见医疗声明并测量它们的传播程度。我们提出了一个机器学习框架，使用 RoBERTa 模型检测医疗声明，使用 DistilBERT 模型分类偏见。在识别出原始的有偏见医疗声明后，我们进行了转推级联分析，计算它们的个体传播范围和传播速率。我们发现，包含偏见声明的推文传播得比无偏见声明的更快、更远。
social mediamedical claimsbiasedtwitterspread
发现论文，激发创造
  • 生物医学 Twitter 帖子中的索赔检测

    本文旨在填补社交媒体生物医学领域中技术自动验证和虚假新闻检测方法的研究空白，使用样本与新冠肺炎、麻疹、囊性纤维化和抑郁症相关的推文，开发出一个检测自动化声明的模型，并且在嵌入式分类器和 BERT 转移学习方面进行基础分类实验，分析揭示出笔者所构建的医学推特大多数都包含自动化声明信息。

    Apr, 2021

  • 基于实体的论述表达方式提高推特中医疗内容的事实核查

    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

  • Twitter 上声明段落的自动识别：事实检查者的赋能

    本文提出了 Claim Span Identification (CSI) 任务并引入了名为 CURT 的大规模 Twitter 语料库，通过基于 RoBERTa 的适配器 DABERTa 进行实验来对其数据进行基准测试，并提供了细致的误差分析和消融研究来验证该模型的性能，并提供了全面的跨度注释指南以供公共使用。

    Oct, 2022

  • 利用社交互动识别社交媒体上的错误信息

    在 COVID-19 疫情期间，使用多输入（MI）框架将社交媒体文本特征和网络信息特征结合起来，提高了检测不可靠信息的模型的准确性。

    Apr, 2023

  • 利用 Twitter 和医疗记录进行在线诊断的现场验证

    使用社交媒体数据进行疾病监测，提出了一种基于个人水平而非人口统计学水平的新的疾病监测系统，通过组合文本分析、异常检测和社交网络分析等手段，可以在个人水平诊断感染流感的准确性超过 99%。

    Apr, 2014

  • 分析癌症相关推文中错误信息的程度

    本文提出了一种基于深度学习模型的关于推特上有关癌症信息失实的自动检测方法，并通过语言学分析比较了信息失实和真实信息的差异，以期提供有关社交方面的相关见解。

    Mar, 2020

  • 运用深度学习简化社交媒体信息检索，为公共卫生研究提供服务

    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

  • 检测医疗 AI 模型中的算法偏见

    通过使用 CART 算法，本研究提出了一种创新的框架，用于检测医疗人工智能决策支持系统中的算法偏见。通过一系列合成数据实验和格拉迪纪念医院的电子病历实验，我们验证了该方法的准确性和实用性，进一步证明了它在临床环境中作为确保公平和公正的关键工具。

    Dec, 2023

  • 基于 BERT 模型的社交媒体仇恨言论检测及种族偏见缓解

    通过使用预训练语言模型 BERT 进行迁移学习，本文提出了一种在推特上进行种族主义、性别主义、仇恨性或冒犯性内容检测的算法，并将对算法进行合理地裁剪降低出现倾向性的缺陷。

    Aug, 2020

  • 使用 BERT 的 COVID-19 谣言检测二阶分类器：对印尼推文的研究

    本研究通过构建印度尼西亚语 COVID-19 Tweets 语料库，并使用 IndoBERT 预训练语言模型建立分类器模型，对 tweets 中的信息进行关联度和虚假性评估，结果表明，我们的模型精度达到了 87.02％。

    Jun, 2022