Evaluating large language models for health-related text classification tasks with public social media data.
利用公共社交媒體數據評估大型語言模型在健康相關文本分類任務中的表現。 J Am Med Inform Assoc 2024-08-09

這項研究評估大型語言模型（LLMs）在社交媒體健康相關文本分類的表現，並比較了不同模型的效果。結果顯示，基於人類標註數據的模型如RoBERTa和BERTweet表現優於基於GPT-3.5和GPT-4的模型。雖然LLM可用於數據增強，但僅依賴LLM標註數據訓練效果不佳。研究指出，LLM作為零樣本分類器能有效減少假陰性，並減輕手動標註負擔，顯示其在特定領域自然語言處理的潛力。 PubMed DOI

Large Language Models Can Enable Inductive Thematic Analysis of a Social Media Corpus in a Single Prompt: Human Validation Study.
大型語言模型能夠在單一提示中啟用社交媒體語料庫的歸納主題分析：人類驗證研究。 JMIR Infodemiology 2024-08-29

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

Use of large language models as a scalable approach to understanding public health discourse.
大型語言模型作為理解公共衛生話語的可擴展方法。 PLOS Digit Health 2024-10-16

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

Leveraging Open-Source Large Language Models for Data Augmentation in Hospital Staff Surveys: Mixed Methods Study.
利用開源大型語言模型進行醫院員工調查的數據增強：混合方法研究。 JMIR Med Educ 2024-11-19

這項研究探討了開源大型語言模型（LLMs），如LLaMA和Alpaca，在早期COVID-19疫情期間的醫院員工調查中進行數據增強。研究分為兩步：首先用LLM生成合成數據，然後用三種分類器對這些數據進行主題分類。最佳結果來自LLaMA 7B，設定溫度0.7，生成100個合成數據點，結合RoBERTa進行分類，平均AUC達0.87。結果顯示，開源LLM能顯著提升醫療領域小型數據集的文本分類表現，並強調隱私與倫理考量的重要性，指向未來醫學教育和病人護理的研究方向。 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

Deploying large language models for discourse studies: An exploration of automated analysis of media attitudes.
部署大型語言模型於話語研究：媒體態度自動分析的探索。 PLoS One 2025-01-09

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

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

Leveraging Large Language Models for Infectious Disease Surveillance-Using a Web Service for Monitoring COVID-19 Patterns From Self-Reporting Tweets: Content Analysis.
利用大型語言模型進行傳染病監測 - 使用網路服務監控自我報告推文中的 COVID-19 模式：內容分析。 J Med Internet Res 2025-02-20

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

PH-LLM: Public Health Large Language Models for Infoveillance.
公共衛生大型語言模型在資訊監測中的應用。 medRxiv 2025-02-24

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

Comparing large Language models and human annotators in latent content analysis of sentiment, political leaning, emotional intensity and sarcasm.
比較大型語言模型與人類標註者在情感、政治傾向、情緒強度和諷刺的潛在內容分析中的表現。 Sci Rep 2025-04-03

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

原始文章

站上相關主題文章列表