這篇論文提出了一個模型，可以估計像COVID-19這樣的緊急情況下社會的情緒，透過間接與病毒相關的關鍵詞。模型追蹤情緒隨感染率和政府命令變化而變化的情況，展示情緒隨時間變化的情況。在紐約市、洛杉磯和芝加哥等城市的測試中，模型表現可靠，反映了疫情期間情緒趨勢。這種方法可能有助於分析各種緊急情況，未來可作為政策支持工具補充傳統調查。 PubMed DOI

研究評估了ChatGPT提供的過敏性鼻炎相關資訊的正確性，結果顯示部分答案準確，但也有不準確之處。在使用像ChatGPT這樣的聊天機器人時，應該謹慎，並應該優先諮詢醫師意見，網路資源僅供參考。ChatGPT可作為病人教育的輔助，但不能取代專業醫護。 PubMed DOI

社群媒體對資訊傳播和公眾意見塑造很重要。研究分析了數百萬篇有關ChatGPT和COVID-19疫苗的帖子，探討線上平台如何影響大眾看法。研究使用主題分析和情感分析來了解不同平台和事件對線上討論的影響。結果顯示，COVID-19疫苗討論因為緊迫性而傳播速度快，而ChatGPT討論則發展較緩慢。 PubMed DOI

研究使用GPT-3.5和GPT-4分析社群媒體上有關結膜炎的貼文，發現GPT-4表現較佳。他們收集了12,000條推文，模型與人工評分相關，有助於準確預測疾病爆發。這項研究顯示這些模型可有效分析社群內容，未來或可改善疾病爆發檢測。 PubMed DOI

COVID-19時期，Twitter（現名「X」）成為兒童癌症討論主平台。研究分析161,000則推文（2019/12至2022/5），發現正面詞多於負面，如支持、愛，負面有悲傷、風險。用戶透過Twitter提高意識、分享經驗，討論兒童癌症研究和政策。儘管挑戰重重，兒童癌症推文仍正向，著重健康、支持和意識。 PubMed DOI

研究指出，社群媒體可幫助監控HPV疫苗疑慮。透過語言模型分析超過653,000則推文，發現不良反應、個人經驗及疫苗強制接種等議題。2020年後，推文中出現個人經驗及父母同意和透明度的討論。這方法有助於針對性干預、揭露錯誤資訊，並改善公共衛生宣導。 PubMed DOI

這篇論文探討長期新冠對患者生活品質的影響，並分析他們如何透過社交媒體，特別是Twitter，分享經驗。研究重點在於2022年希臘語的貼文，將其情感分為正面或負面。透過情感分析和主題建模，識別與長期新冠相關的討論主題。研究中還使用了ChatGPT來標記主題，並由專家評估準確性。結果旨在揭示長期新冠的討論情況，增進對患者經驗的理解。 PubMed DOI

這項研究探討大型語言模型（LLMs）如何協助生成針對2024年過敏性鼻炎及其對哮喘影響的指導問題。研究使用兩種方法：首先，透過Google Trends分析3975個熱門搜尋查詢，篩選出37個相關問題，其中22個是新提案；其次，LLMs從患者和醫生的角度生成問題，產生22個獨特問題，11個為新提案。最終，39個指導問題中有6個來自這些方法，顯示LLMs能有效補充傳統方法，提供有價值的見解。 PubMed DOI

這項研究探討大型語言模型（LLMs）在分析社交媒體貼文，評估公眾對疫苗接種態度的應用。研究人員比較了不同LLMs的表現，包括GPT模型和開源替代品，並與基於規則的情感分析工具進行對比。結果顯示，使用表現最佳的LLMs進行少量提示能獲得最佳效果，而其他方法則有較高的誤分類風險。研究強調LLMs在公共衛生領域的潛力，建議將其納入公共衛生監測，以提升對健康政策公眾意見的評估能力。 PubMed DOI

在COVID-19疫情期間，mRNA疫苗的發展是疫苗技術的一大進步，但公眾對接種的猶豫引發了對未來mRNA醫療創新的擔憂。從2022年6月到2023年5月，我們進行了社交聆聽分析，發現對mRNA疫苗的安全性和有效性普遍存在負面情緒，且信心缺失。討論多集中在副作用、謠言和錯誤資訊上。這顯示出需要針對性的溝通策略，以提升公眾對醫療的接受度和信任，增強社會面對未來健康危機的韌性。 PubMed DOI