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

這項研究探討如何利用大型語言模型（LLM）分析媒體對中國的態度，以香港的《東方日報》為例。研究強調分析媒體數據集對理解公眾意見的重要性，並指出傳統方法常忽略隱性態度。研究使用Martin和White的框架來分類態度，並運用Meta的開源Llama2（13b）模型進行分析，針對40,000條與中國相關的表達進行量化。結果顯示，LLM能有效識別顯性和隱性態度，準確率約80%，與人類編碼者相當。研究也討論了實施過程中的挑戰及其解決策略。 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

新型SARS-CoV-2變異株及後COVID-19症狀仍影響許多人生活。由於約翰霍普金斯大學等機構不再每日報告確診病例，準確評估感染範圍變得困難。為此，我們開發了一個公開的COVID-19推文數據庫，專注於自我報告的病例及其症狀。我們收集了730萬條推文，發現常見症狀包括無精打采和幻覺，且再感染情況普遍。康復時間也顯著縮短，從2020年的約30天減少到2023年的約12天。這些數據對於持續追蹤COVID-19及提供見解至關重要。 PubMed DOI

公共衛生干預措施如疫苗接種和社交距離的成效，依賴於公眾的支持與遵守。社交媒體成為評估公眾參與的重要工具，但在緊急情況下，缺乏即時監測可能導致反應延遲。為此，我們開發了PH-LLM（公共衛生大型語言模型），專注於即時公共衛生監測，並建立了多語言數據集。PH-LLM在多項任務中表現優於其他模型，顯示其在公共衛生資訊監測上的潛力，能有效增強政策制定與危機應對。此研究部分由NIH贈款支持。 PubMed DOI

這項研究探討大型語言模型（LLMs）在疾病風險評估中的應用，特別是對COVID-19嚴重程度的預測。與傳統機器學習方法不同，LLMs透過對話式人工智慧實現即時、無需編碼的風險評估。研究比較了LLaMA2-7b和Flan-T5-xl等預訓練模型與傳統分類器的表現，發現LLMs在低數據環境中表現優異，能有效處理非結構化輸入，並提供個性化見解，顯示其在臨床環境中的潛力。 PubMed DOI

這項研究分析了七種大型語言模型（LLMs）在潛在內容分析的有效性，並與人類標註者進行比較。研究涵蓋情感、政治傾向、情感強度和諷刺檢測。結果顯示，無論是人類還是LLMs，在情感和政治分析上表現一致，LLMs的可靠性通常超過人類。不過，人類在情感強度評分上較高，兩者在諷刺檢測上都面臨挑戰。總體來看，LLMs，特別是GPT-4，能有效模仿人類的分析能力，但人類專業知識仍然重要。 PubMed DOI

這份報告探討了使用大型語言模型（LLMs）進行教育情感分析的初步結果。我們分析了學生報告中的質性描述，以評估他們對學業表現的情感狀態和態度。情感分析揭示了學生參與度的重要見解，並指出需要改進的地方。研究顯示，LLMs能有效分析文本數據，提供比傳統方法更深入的情感理解，顯示出在改善教育評估和干預方面的潛力。 PubMed DOI

這篇論文比較了 GPT-3.5-Turbo、FLAN-T5 和 BERT 等大型語言模型在健康社群媒體情感分析的表現。結果顯示，LLMs 比傳統工具（像 VADER）表現更好，但準確度還有進步空間。透過調整提示語和微調，尤其是 BERT，效果會更好。研究也建議未來要在標註資料少的情況下，持續優化這些模型。 PubMed

這項研究發現，像 GPT-4 這類大型語言模型，能準確從社群貼文判斷結膜炎疫情的類型、規模和原因，表現有時甚至比人類專家還好。雖然敏感度還有進步空間，但 LLM 未來有機會協助自動化公共衛生監測，幫助及早發現疫情並提醒相關單位。 PubMed DOI