Examining media's coverage of COVID-19 vaccines and social media sentiments on vaccine manufacturers' stock prices.
檢視媒體對 COVID-19 疫苗的報導及社交媒體對疫苗製造商股價的情緒。 Front Public Health 2024-08-28

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

Public Health Discussions on Social Media: Evaluating Automated Sentiment Analysis Methods.
社交媒體上公共衛生討論：評估自動情感分析方法。 JMIR Form Res 2025-01-08

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

Understanding Citizens' Response to Social Activities on Twitter in US Metropolises During the COVID-19 Recovery Phase Using a Fine-Tuned Large Language Model: Application of AI.
理解美國大都市在 COVID-19 復甦階段對社交活動的公民反應：使用微調的大型語言模型的 AI 應用。 J Med Internet Res 2025-02-11

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

One-shot intervention reduces online engagement with distorted content.
一次性介入減少對扭曲內容的線上參與。 PNAS Nexus 2025-03-19

這項研究指出社交媒體對抑鬱症患者的影響，特別是他們與扭曲內容的互動。研究中838名參與者顯示，抑鬱症狀較重的人更容易接觸這類內容。研究還提出一個簡單的介入措施，能幫助人們提高意識，減少與扭曲內容的互動，無論抑鬱程度如何。這顯示針對性的意識訓練能有效減輕社交媒體對抑鬱症患者的負面影響，並強調進一步研究社交媒體與心理健康關係的重要性。 PubMed DOI

Using LLMs to Infer Non-Binary COVID-19 Sentiments of Chinese Microbloggers.
使用 LLM 來推斷中國微博用戶的非二元 COVID-19 情感。 Entropy (Basel) 2025-03-28

在COVID-19危機期間，利用微博進行公共情緒研究非常重要，因為這平台在中國影響深遠。透過分析疫情不同階段的帖子，可以了解情緒如何隨著危機和政府行動變化。使用Llama 3 8B進行情緒分類，將情緒分為正面、負面、諷刺和中立，能更深入理解公共意見。這項研究不僅填補了中國社交媒體情緒分析的空白，還揭示了健康危機期間數位溝通的影響。了解這些動態有助於政策制定者掌握公共情緒對社會反應的影響，並指導未來的溝通策略。你的研究提供了社交媒體、公共情緒與危機管理之間互動的寶貴見解。 PubMed DOI

A comparative analysis of CDC and AI-generated health information using computer-aided text analysis.
使用計算機輔助文本分析的CDC與AI生成健康資訊的比較分析。 J Commun Healthc 2025-04-14

這項研究探討AI生成的健康資訊與CDC提供的資訊差異，重點在情感、可讀性和品質。透過語言期待理論，分析了不同來源內容對可信度的影響。比較了CDC和ChatGPT 3.5各20條資訊，並進行品質評估。主要發現包括： 1. **情感**：ChatGPT的內容較多負面情感，常出現憤怒、悲傷和厭惡的詞彙。 2. **可讀性**：CDC的訊息更易讀，ChatGPT則需較高閱讀年級。 3. **品質**：CDC的資訊在品質評估中得分較高，顯示更可靠。研究強調公共衛生專業人員需教育大眾理解AI生成健康資訊的複雜性，並建議健康素養計畫應涵蓋這類內容的品質與可讀性討論。 PubMed DOI

Use of Retrieval-Augmented Large Language Model for COVID-19 Fact-Checking: Development and Usability Study.
結合檢索增強大型語言模型於 COVID-19 事實查核之應用：開發與可用性研究 J Med Internet Res 2025-04-30

這項研究發現，把像GPT-4這類大型語言模型結合進階RAG系統，並用大量COVID-19研究資料，可以大幅提升自動事實查核的準確度與可靠性。進階RAG模型（CRAG、SRAG）不僅減少幻覺現象，還能提供更有根據的解釋，整體表現比單純LLM更好，對抗疫情期間的錯假訊息很有幫助。 PubMed DOI

Identification of Online Health Information Using Large Pretrained Language Models: Mixed Methods Study.
利用大型預訓練語言模型識別線上健康資訊：混合方法研究 J Med Internet Res 2025-05-14

這項研究比較了四款主流AI（ChatGPT-3.5、ChatGPT-4、Ernie Bot、iFLYTEK Spark）辨識網路健康資訊真偽的能力。結果顯示，ChatGPT-4 準確率最高，Ernie Bot 和 iFLYTEK Spark 表現也不錯，ChatGPT-3.5 稍微落後。雖然整體表現佳，但在專業或複雜情境下還有進步空間。 PubMed DOI

Identifying Disinformation on the Extended Impacts of COVID-19: Methodological Investigation Using a Fuzzy Ranking Ensemble of Natural Language Processing Models.
辨識有關 COVID-19 延伸影響的錯誤資訊：運用自然語言處理模型模糊排序集成之方法學研究 J Med Internet Res 2025-05-21

這項研究用深度學習架構，結合先進語言模型（如RoBERTa、DeBERTa、XLNet）和創新集成方法，搭配Gompertz函數，有效偵測長新冠相關假訊息。實驗結果顯示，XLNet和集成模型準確率高達93.52%，整體表現優於傳統方法。這證明結合預訓練語言模型和新集成技術，能大幅提升假新聞偵測效果，對公共衛生政策很有幫助。 PubMed DOI

Medical Mistrust in Online Cancer Communities: A Large-Scale Analysis Across 10 Cancer Entities.
線上癌症社群中的醫療不信任：涵蓋10種癌症類型的大規模分析 Psychooncology 2025-05-31

研究分析10萬多則Reddit癌症貼文，發現約19%有醫療不信任，主要針對醫護人員。原因包括病患覺得被忽略、照護不專業和溝通不良，這些貼文常帶有焦慮或沮喪情緒。加強傾聽、提升照護品質和溝通，有助改善癌症醫療信任。 PubMed DOI

原始文章

站上相關主題文章列表