Feb, 2024

通过基于注意力的双向递归神经网络从 Reddit 帖子检测阿片类药物用户

PDF
TL;DR通过对 Reddit 上的用户帖子进行收集和分析，结合关注度双向长短期记忆模型，该研究利用机器学习技术成功识别出了滥用阿片类药物的用户，并通过关注层提取了关键词，从而更好地理解该算法如何区分药物使用者和非药物使用者。
opioid epidemicmachine learningsocial mediadrug usersattention layer
发现论文，激发创造
  • 识别社区媒体发布的使用、滥用和成瘾的自我披露

    为了更有效地预防意外的阿片类药物过量，医务人员需要强大且及时的工具来有效识别患者的风险，本研究通过 Reddit 这类社区平台中的自述信息，构建了一个中等规模的含有 2500 条与阿片类药物相关的帖子语料库，对这些帖子进行了分阶段的注释，并通过研究这些注释在模型开发和质量方面的作用，评估了几种最先进的模型，结果显示，在高风险领域如阿片类药物使用障碍研究中，使用解释可以显著提高分类准确度。

    Nov, 2023

  • 我们能检测出物质使用障碍吗？：来自暗网的社交媒体知识与时间感知分类

    本文使用深度学习、BERT 模型以及情感分析来研究社交媒体中与合成类阿片类药物相关的帖子，分析了社交媒体和加密市场数据，探究人们对不同药物的感受和态度，最终建立了基于这些特征的时间感知神经模型，成功地 (具有统计学意义) 识别出物质滥用障碍。

    Apr, 2023

  • 社交媒体趋势在药物滥用随笔中的应用：针对 Cryptomarket 阿片类药物交易的调查

    该研究分析了社交媒体上的药物滥用帖子和通过加密市场公开售卖的合成阿片类药物，并使用药物滥用本体论，深度学习和基于 BERT 的模型来生成情感和情绪，进而了解用户对各种药物的感知，核对各个药物对应的情绪和情感，结合话题分析帮助政策制定，在必要时进行干预以遏制阿片类药物的危害。

    Mar, 2021

  • 利用混合神经网络检测 Reddit 用户的抑郁症状

    本研究提出了一种混合神经网络模型，结合预训练的句子 BERT（SBERT）和卷积神经网络（CNN），通过分析 Reddit 上的帖子来检测抑郁症患者，该模型实现了 0.86 的准确性和 0.86 的 F1 分数，且超过了文献中其他机器学习模型的已有成果（F1 分数为 0.79）。该模型的结果表明了其在检测抑郁症患者方面的可行性，同时也可应用于其他文本分类任务以及不同的临床应用。

    Feb, 2023

  • Reddit-Impacts: 一个从社交媒体中衍生出的用于分析物质使用的临床和社交效应的命名实体识别数据集

    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

  • 基于主题的社交媒体阿片类药物康复关键词提取

    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

  • CASTNet: 基于社区关注的时空网络，用于阿片类药物过量预测

    利用实时犯罪动态预测阿片类药物过量，并提出基于区域群组的深度学习架构，它能够自适应地优化位置预测，为预防阿片类药物过量提供有意义的解释。

    May, 2019

  • 一种基于知识图谱的探索美国阿片类药物流行病的方法

    本论文描述了使用药物知识图谱（ODKG）来归一化多个临床数据中的药物命名，以监测美国不同地区的阿片类药物处方趋势，并有助于制定先进和可扩展的模型，以监测阿片类药物滥用行为。

    May, 2019

  • 处方药物毒性监测的社交媒体挖掘：端到端流程、挑战和未来工作

    本文介绍了一种基于自然语言处理和机器学习技术的高级端到端管道，用于从社交媒体平台 Twitter 和 Reddit 中收集关于非医疗处方药物使用的信息，以提高社交媒体研究毒剂监测的效率。

    Nov, 2022

  • 解读叙事：分析在 Reddit 上分享的个人药物经历

    在线社区、物质使用经历、多层次分类模型、GPT-4、PWUD 经历。

    Jun, 2024