原始文章

這項研究探討主流媒體在Facebook上對COVID-19疫苗的報導，及其與主要疫苗製造商股票表現的關聯。分析了2020年1月至2021年12月的貼文，並使用結構主題模型找出十個關鍵主題，如疫苗試驗和政治化。雖然某些Facebook反應（如「Haha」和「Angry」）與股價波動有關，但情感反應對交易量的影響不大。研究顯示社交媒體情緒與金融市場之間的複雜互動，並建議未來可用大型語言模型進行更深入的分析。 PubMed DOI ♡

站上相關主題文章列表

這項研究比較了多種情感分析方法，包括手動編碼、自然語言處理工具（VADER、TEXT2DATA、LIWC-22）和ChatGPT 4.0，針對有關鴉片類藥物危機的YouTube評論進行分析。研究發現，LIWC-22在估算負面情感方面表現優異，而VADER在分類負面評論上最佳。自然語言處理工具與手動編碼的一致性一般，ChatGPT 4.0表現較差。建議使用VADER和LIWC-22來分析不平衡數據集，特別是負面情緒的情況下。 PubMed DOI

這項研究分析了2021年7月至2022年2月期間，美國660萬條與疫苗相關的推特，探討疫苗強制接種政策對公共情緒的影響。研究發現，討論強制接種的推文比不提及的推文更具負面情緒，且憤怒程度較高，還涉及自由相關議題。隨著各州對強制接種政策的討論增加，針對疫苗和公共衛生官員的負面情緒也上升。此外，州內各縣疫苗接種率差異越大，憤怒推文也隨之增加。 PubMed DOI

這項研究探討了健康錯誤資訊的影響，以及在COVID-19疫情期間社交媒體上更正貼文的有效性。研究分析了三年內來自事實查核機構和健康機構的更正貼文，重點在於不同屬性如何影響用戶互動。 主要發現包括： 1. 用戶互動趨勢顯示疫情期間的互動模式。 2. 貼文屬性（如風險、意識、數字等）對互動有顯著影響，強調意識和事實的貼文更受歡迎。 3. 用戶評論分為認知型和情感型，某些偏見評論對分享有負面影響。 研究強調有效傳遞錯誤資訊意識和事實內容能提升用戶互動，為改善公共健康溝通提供策略建議。 PubMed DOI

這項研究調查了美國紐約、洛杉磯和芝加哥居民在 COVID-19 疫情過渡期間的情感變化。研究分析了超過 119,000 條 Twitter 帖子，發現情感水平與確診數有顯著相關，紐約市的相關性最高（0.89），芝加哥中等（0.65），洛杉磯較低（0.39）。隨著疫情減退，與 COVID-19 相關的詞彙逐漸被其他詞彙取代，顯示對限制措施的關注度下降。整體來看，疫情接近尾聲時，對限制措施的負面情感減少，突顯了疫情對城市居民的社會心理影響。 PubMed DOI

這項研究探討了日本在2022年重新推廣後，HPV疫苗接種率仍然低迷的原因，特別是社交媒體上公眾的態度。研究發現，錯誤資訊、自滿情緒和可及性問題是影響接種的關鍵因素。透過分析2011至2021年的推文，研究顯示公眾情緒在特定年份有顯著變化，與健康事件和政策變動相關。研究強調針對疫苗猶豫的公共衛生干預必要性，並指出大型語言模型在理解公共衛生態度方面的潛力，為未來提升疫苗接種率提供參考。 PubMed DOI

這項研究強調了解患者使用抗憂鬱藥物的經驗對提升依從性及以患者為中心的照護的重要性。患者的不依從性常因副作用、依賴性及對藥物效果的懷疑而影響。透過分析AskaPatient和Reddit等平台的討論，發現59.3%的對話表達中立情感，38.4%為負面情緒，主要是恐懼和悲傷。討論中「心理健康與人際關係」最常被提及，顯示對心理健康的關注。這些見解可協助醫療提供者制定個人化治療策略，提升患者滿意度及依從性，達到更具同理心的照護。 PubMed DOI

Lecanemab是一種針對早期阿茲海默症的抗澱粉樣蛋白藥物，2023年獲得美國FDA和日本批准。一項研究分析了478則來自X和Facebook的社交媒體貼文，探討公眾對此藥物的看法。結果顯示，43.7%的貼文為負面，26.6%中立，29.7%正面，對社會意義的擔憂是負面情緒的主要原因。研究強調了針對性溝通及進一步研究抗澱粉樣蛋白療法的重要性。 PubMed DOI

這項研究探討COVID-19疫苗與不良事件的關聯，數據來自疫苗不良事件報告系統（VAERS）及社交媒體如Twitter和Reddit。分析了771對關聯，識別不同疫苗接種後的不良事件模式。使用了先進模型如GPT-3.5、GPT-4等進行關聯提取，並透過後處理規則精煉結果。經微調的GPT-3.5達到0.94的精確度和1的召回率。主要疫苗接種後常見的不良事件有手臂酸痛、疲勞和頭痛，而加強針則報告了更多不良事件，顯示大型語言模型在疫苗安全監測中的潛力。 PubMed DOI

流感疫苗效果（VE）的估算對公共健康非常重要，能幫助評估疫苗接種的影響並指導政策調整。不過，目前的估算方法面臨人口代表性不足、選擇偏差和報告延遲等挑戰。我們建議結合大型語言模型（LLMs）和少量示例的思考鏈（CoT）提示，分析社交媒體數據以進行即時VE估算。研究顯示，透過標註4,000多條推文，我們的提示策略在識別疫苗接種狀態和測試結果方面表現優異，為即時監測提供了有效工具，補充了現有流行病學方法。 PubMed DOI

這項研究分析2022-2024年美國Facebook上近6萬則GLP-1減重藥物貼文，發現副作用討論在FDA核准、媒體報導、名人代言等重大事件後會激增。最常被提到的是腸胃道副作用，特定藥物如Mounjaro、Zepbound、tirzepatide也有各自常見的副作用。研究指出，社群媒體有助於及早發現和追蹤藥物副作用，對病人照護和政策很有幫助。 PubMed DOI