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

使用 Transformer-based 语言模型研究尼日利亚人对疫苗的接受程度，数据分析及可视化表明，大多数推文对 COVID-19 疫苗持中立态度，个别人表示积极看法，对特定疫苗类型没有强烈偏好，尽管 Moderna 疫苗获得了稍微更多的积极情绪。同时发现，通过对适当数据集进行微调，即使预训练的 LLM 没有在特定语言上进行过预训练，也可以获得有竞争力的结果。

Jan, 2024

通过利用一种新颖的统计测试方法，我们发现词汇分布与文本蕴含类之间存在显著关联，强调词汇是一种明显的偏差源。为了减轻这些问题，我们提出了几种自动数据增强策略，从字符到词级别。通过对 ELECTRA 预训练语言模型进行微调，我们将有增强数据的模型与基准模型进行了比较。实验证明，所提出的方法可以有效提高模型准确性，并分别减少偏差约 0.66% 和 1.14%。

Dec, 2023

该研究展示了 GPT-4V 的卓越能力，在金属有机框架方面的搜索和数据获取方面尤其出色。通过自动将 346 篇学术文章转化为 6240 张图像，并运用 GPT-4V 进行自然语言提示分析，该方法在判断和解释关键图表（如氮吸附等温线、PXRD 谱图和 TGA 曲线等）方面的准确率和召回率都在 93% 以上，强调了模型在数据挖掘中的能力和对化学等领域中数字化数据库建设的潜力。此外，从选定文献中提取的氮吸附等温线数据为 200 多个化合物的理论和实验多孔性数值提供了比较，凸显了一些差异并强调了整合计算和实验数据的重要性。该研究突出了人工智能在加速科学探索和创新、弥合计算工具与实验研究之间差距、以及推动更高效、更全面和更包容的科学研究的潜力。

Dec, 2023

该论文介绍了一个多标签分类数据集 CAVES，该数据集包含了约 10k 条关于 COVID-19 反疫苗推文，并提供了详细说明。该数据集也是一个提供标签说明的多标签分类数据集，以及提供了类别总结的推文。作者对该数据集进行了初步的实验，发现其对于多标签可解释分类和推文摘要非常具有挑战性。

Apr, 2022

本研究使用集成学习方法将临床和从 Google Trends 获取的网络数据相结合，预测了未来的疫苗接种情况。结果表明，本方法可以有效地预测疫苗接种情况，使用网络数据单独进行预测也获得了相对较好的性能。这是第一项使用网络数据（带或不带临床数据）预测疫苗接种情况的研究。

Sep, 2016

本文提出了一种新的半监督方法 VADet 用于检测疫苗态度，该方法通过主题建模学习无标记数据的主题信息，再用少量手动注释的样本进行微调。实验结果表明，该方法能够学习到立场和方面主题，且在立场检测和推文聚类方面优于现有的基于方面的情感分析模型。

May, 2022

通过对超过 3,101 条推文进行态度分类的注释数据提供者新的分类数据集和开发了一个最佳的预测性能的领域特定语言模型，我们首次将疫苗犹豫作为区别于支持和反对的一种分类模型进行了建模。

Jan, 2023

通过语义扰动和特定领域词汇替换生成合成示例，并添加数值和定量推理新任务，以改进生物医学临床试验中自然语言推理模型的鲁棒性，结合多任务学习和 DeBERTa 结构，相较于原始语言模型在 NLI4CT 2024 基准上取得了显著的性能改进。

Apr, 2024

通过手工标记方法分析南非推文中的疫苗犹豫情绪，建立 AI 分类模型，并评估其在 UGC 分类中的可靠性。在 30000 个南非推文数据集上，使用 LSTM、bi-LSTM、SVM、BERT-base-cased 和 RoBERTa-base 模型进行情感分析。其中，BERT 和 RoBERTa 模型的整体 F1 得分分别达到 60% 和 61%。采用 LDA 主题建模以改进 RoBERTa 模型的准确性。

Jul, 2023