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

深度神經網絡應用在臨床決策，可提升診斷效率減輕醫師負擔。對於罕見疾病，標記數據不足。新的醫學多模式大型語言模型（Med-MLLM）可從未標記數據中學習，快速適應罕見疾病。處理視覺（如X光）和文本（如醫學報告）數據，適用於臨床任務。在COVID-19中證明Med-MLLM有效，僅需少量標記數據即可提供準確決策支持。 PubMed DOI

這平台運用先進人工智慧技術，分析社群媒體文字資料，找出相關話題。透過 BERTopic 分群貼文，辨識相關句子，提升分析效果。以大學生心理健康為例，顯示在辨識抑鬱等議題上的實用性。為研究人員提供工具，分析龐大非結構化資料，找出相關部分，具潛力應用於心理健康研究。 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

在網路時代，人們習慣上透過線上平台搜集資訊和分享看法，包括在醫療保健領域。這項研究聚焦於中國患者在COVID-19大流行期間的醫療經驗和醫院評價如何轉變。透過分析網路上的患者資料，來了解在特定情況下的醫療互動。研究目的在比較大流行前、期間和後不同類型醫院的患者評論。利用ChatGPT辨識負面醫院評價，提出改善患者滿意度的建議。研究收集了中國頂尖醫院的患者評論，並運用統計工具進行分析。研究結果顯示，在大流行期間，患者評論與醫院評分有關聯，不同類型醫院的負面評價也不同。兒童醫院面臨等候時間和治療效果問題，產科醫院則有醫護人員態度問題，腫瘤醫院則需改進檢查和治療效率。這項研究凸顯了大流行對患者評論的影響，並為醫院管理者提供改善醫患關係和醫院表現的見解，尤其是在公共衛生危機時期。 PubMed DOI

這項研究分析了來自社交媒體和線上平台的大量數據，評估公眾對城市專案的意見，特別是交通系統的發展。研究人員運用先進的演算法和工具，如品牌分析和GPT模型，來解讀市民的即時反饋。結果顯示，使用者對專案的看法偏中立，並未顯示出明顯的社會緊張，這意味著計畫推進可能會順利。此外，研究還提出建議，以避免潛在衝突並解決社會緊張的根源，協助城市發展的決策。 PubMed DOI

這項研究探討生成性大型語言模型（LLMs）在分析公共健康相關社交媒體內容的可行性，特別是疫苗言論。研究發現，LLMs通常能有效識別人類專家所關注的主題，且錯誤信息出現率較低。雖然LLMs的分析深度不及人類專家，但專家認為其生成的主題仍然合理且相關。總體來看，LLMs在處理健康相關社交媒體內容方面展現出顯著潛力，未來可能有助於公共健康策略的制定與社區關注的理解。 PubMed DOI

這項研究強調在醫療照護中評估健康社會決定因素（SDoH）的重要性，以改善病患照護並縮小健康差距。研究探討了電子健康紀錄（EHRs）中SDoH數據不足的挑戰，主要因為缺乏標準化的診斷代碼。研究團隊使用大型語言模型（如BERT和RoBERTa）來分類無家可歸、食物不安全和家庭暴力等SDoH概念，並創建合成訓練數據集。結果顯示，這些模型能有效提取SDoH資訊，幫助醫療提供者識別高風險病患，進而實施針對性干預，支持減少健康差距的努力。 PubMed DOI

這項研究探討了OpenAI的ChatGPT如何協助公共衛生工作者開發疾病傳播模型，以制定感染控制策略。透過案例研究，公共衛生工作者與ChatGPT合作，創建符合10天流行病學數據的數學模型，並進行代碼生成、精煉和除錯，估算基本繁殖數（Ro）和最終疫情規模。最終模型重現疫情曲線，Ro為4.19，最終疫情規模達98.3%。研究顯示，ChatGPT能加速模型開發，降低技術門檻，改善全球疫情應對能力，特別在資源有限的環境中。 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