Jun, 2024

WarCov -- 来自社交平台的大规模多标签多模态数据集

PDF
TL;DR该论文介绍了从数据获取到构建数据集的过程，用于分类任务和自然语言处理，特别关注 COVID-19 疫情以及标签的创建。
classification tasksnatural language processingdatasetcovid-19 pandemiclabels
发现论文，激发创造
  • Mega-COV: 一个包含 100 多种语言的十亿规模 COVID-19 数据集

    Mega-COV 是一个包含十亿条推特数据的数据集，涵盖 268 个国家，可用于研究 COVID-19 的相关现象。该数据集具有多语言、地理位置等多种特征，并配备了两个强大的模型，可以识别与疫情有关的推特和 COVID-19 的错误信息。

    May, 2020

  • GeoCoV19: 一个拥有数亿条多语言 COVID-19 推文和位置信息的数据集

    该文介绍了 GeoCoV19—— 一个包含 524 百万条推文的大规模 Twitter 数据集，通过基于地名词典的方法来推断推文的地理位置，而这一大规模、多语言、地理定位的社交媒体数据可以帮助研究社区评估社会如何共同应对这一前所未有的全球危机，以及建立计算方法来应对如识别假新闻，理解社区的知识差距，建立疾病预测和监测模型等挑战。

    May, 2020

  • COVIDHealth: 一个基于 Twitter 的数据集和基于机器学习的网络应用程序，用于分类 COVID-19 讨论

    开发了基于机器学习的网络应用程序，用于自动分类社交媒体上的 COVID-19 相关讨论，并提供了用于分类的基准结果。

    Feb, 2024

  • 利用标签精炼从社交媒体话语中构建大规模的虚假信息标记数据集

    本研究提出一种基于新闻来源可信度标签的弱监督学习方法，通过自监督或重新标注等方式纠正可能存在的标签不准确性，构建大规模、多样化的新领域虚假信息数据集。同时，本文应用提出的方法提供了一个 COVID-19 疫苗虚假信息数据集。

    Feb, 2022

  • 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

  • 当涉及言语问题时：重新审视标记敏感内容的方法

    许多资源匮乏的语言需要具有高质量的特定任务数据集，例如辱骂语言检测、虚假消息或错误信息识别。本文从乌克兰推文的伪标记敏感数据的方法出发，重新审视了使用该方法的过程，重点关注俄乌战争相关主题。通过实验，突出了数据标注的三个主要阶段，并强调了机器标注过程中的主要障碍。最终，我们对获得的数据进行了基础统计分析，并对用于伪标记的模型进行了评估，提供了进一步指导，以便科学家能在不涉及标注人员的情况下利用语料库进行更高级的研究和扩展现有数据样本。

    Nov, 2023

  • COVID-19 文献的分类

    本研究分析了多个多标签文档分类模型在 LitCovid 数据集上的表现，发现在该数据集上微调过的预训练语言模型表现最佳，并探讨了其数据效率和可推广性，同时也提出了未来研究中需要解决的问题，数据和代码均在 GitHub 上可获取。

    Jun, 2020

  • 利用大型语言模型和弱监督进行社交媒体数据标注：使用 COVID-19 自报疫苗推文进行评估

    本研究评估了使用大型语言模型（例如 GPT-4）和弱监督来识别 COVID-19 疫苗相关的推文，以与人工注释者的性能进行比较。通过手动筛选的黄金标准数据集，利用 GPT-4 在无须额外微调或指示的情况下提供标签，在单次模式下进行分析。

    Sep, 2023

  • HumAID: 通过深度学习基准从 Twitter 中获取人工注释的灾难事件数据

    本文提出一种基于深度学习模型和人类标注的新型大规模社交媒体数据集，用于自然灾害期间信息分类和简洁归纳， 以改善现有数据集的局限性，提高分类准确度。

    Apr, 2021

  • NAIST COVID：跨语言 COVID-19 Twitter 和 Weibo 数据集

    本研究旨在推广社交媒体研究对抗 COVID-19 及其他传染病。通过对 COVID-19 微博的量化和定性分析，我们提供了多种处理数据集的方法，并分享了一个多语种社交媒体数据集，供研究人员使用。

    Apr, 2020