我们提出了 PandemicLLM，这是一个新颖的框架，利用多模态大型语言模型将疾病传播的实时预测转化为文本推理问题，能够整合实时、复杂、非数值型信息，并在 COVID-19 大流行中得到应用。该研究揭示了适用大型语言模型和表征学习提升疫情预测的潜力，展示了人工智能创新如何加强未来的疫情应对和危机管理。

Apr, 2024

给定研究论文，通过高级数据增强方法解决社交媒体数据不平衡问题，并借助 BERT 模型指导 LLMs，提出了一种用于公共卫生的社交媒体分析的新型 ALEX 框架，在 Social Media Mining for Health 2023 (SMM4H) 竞赛中表现优越。

Sep, 2023

我们开发了一个基于 LLM 的框架，用于在线健康社区中新兴意见挖掘的策划和评估，以匹配 Reddit 中源自帖子标题和评论的（标题，评论）对之间的态度检测问题。我们还释放了一个新的测试数据集，名为 LC-Stance，用于评估在线健康社区中的声明识别和态度检测任务。我们的评估表明，GPT-4 在零 - shot 态度检测方面明显优于之前的工作，我们还通过 LLM 模型诊断发现声明类型和评论长度是模型错误的原因。

Mar, 2024

我们评估了多种模型，包括传统机器学习模型、预训练语言模型和大型语言模型，比较它们在社交媒体健康相关自然语言处理任务中的性能。实验结果表明，使用大型语言模型进行数据增强可以获得比仅使用人工标注数据训练的模型更好的结果，并且传统的有监督学习模型在零样本设置中也表现出优于大型语言模型的性能。

Mar, 2024

开发了第一个用于社交媒体上的可解释性心理健康分析的开源语言模型系列 MentalLLaMA，并通过 IMHI 数据集在正确性和解释质量方面接近最先进的判别方法。

Sep, 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

利用软提示学习架构，该研究提出了一种新的方法来引导大型语言模型实现对患者信息的提取，评估了两种类型的语言模型在跨领域应用中的性能，并发现使用解码器模型进行软提示调优的结果更好。GatorTronGPT 在最佳 F1 得分上超过传统的 GatorTron 模型，分别在跨机构环境中提高了 8.9% 和 21.8%，在跨疾病环境中提高了 5.5% 和 14.5%。

Mar, 2024

为了实现公共卫生机构、普通公众和研究人员轻松访问流行病学数据和科学见解，我们使用大型语言模型开发了聊天机器人 “GenSpectrum Chat”，以便探索 SARS-CoV-2 基因组测序数据，并让公众以不同语言的交互方式快速访问最新数据。

May, 2023

基于对 LLMs 在公共卫生任务中的自动评估，将六个外部注释数据集与七个新的内部注释数据集相结合，评估 LLMs 在处理与健康负担、流行病学危险因素和公共卫生干预相关的文本中的性能，发现 Llama-3-70B-Instruct 是性能最好的模型，在 15 个任务中取得最佳结果。这些初步结果表明，LLMs 可能成为公共卫生专家从各种免费文本来源中提取信息，并支持公共卫生监测、研究和干预的有用工具。

May, 2024

使用大型语言模型（LLMs）综合多传感器数据生成临床有用的洞察力，首次展示使用 LLMs 进行二元抑郁症分类的准确性超过了现有技术，而且还强调了人工智能与医生领域专业知识和患者背景相结合的人工智能协同方法在临床决策支持方面的价值。

Nov, 2023