Use of Large Language Models to Assess the Likelihood of Epidemics From the Content of Tweets: Infodemiology Study.
使用大型語言模型評估推文內容中流行病發生的可能性：信息流行病學研究。 J Med Internet Res 2024-03-18

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

AE-GPT: Using Large Language Models to extract adverse events from surveillance reports-A use case with influenza vaccine adverse events.
AE-GPT：使用大型語言模型從監測報告中提取不良事件-以流感疫苗不良事件為例。 PLoS One 2024-03-25

LLMs如GPT-3.5透過VAERS數據，展現了辨識疫苗相關不良事件的潛力。研究專注於1990至2016年的案例，特別研究流感疫苗。經過調整的AE-GPT模型在提取不良事件方面表現良好，顯示LLMs在處理醫學數據和推進不良事件檢測任務上有潛力。 PubMed DOI

Detecting and monitoring concerns against HPV vaccination on social media using large language models.
使用大型語言模型在社交媒體上檢測和監控對HPV疫苗接種的疑慮。 Sci Rep 2024-06-21

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

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

Exploring Large Language Models for Detecting Online Vaccine Reactions.
探索大型語言模型以檢測線上疫苗反應。 Stud Health Technol Inform 2024-09-25

這篇論文探討大型語言模型（LLMs）和提示工程如何在社交媒體上提取疫苗反應的見解，特別針對Reddit上有關帶狀皰疹（zoster）疫苗的討論。研究比較了GPT-3.5和GPT-4在不同提示策略下的表現，發現精心設計的思考鏈提示能提升模型識別相關帖文的能力。雖然少樣本學習對邊緣案例有改善，但精確度較低。輕量級的監督預訓練語言模型（PLMs）在分類任務中表現更佳，但LLMs在減少假陰性方面顯示潛力，特別是在數據有限時可作為分類器使用。 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

Application of a Language Model Tool for COVID-19 Vaccine Adverse Event Monitoring Using Web and Social Media Content: Algorithm Development and Validation Study.
使用語言模型工具進行 COVID-19 疫苗不良事件監測的應用：網路和社交媒體內容的演算法開發與驗證研究。 JMIR Infodemiology 2024-12-20

這項研究探討如何利用社交媒體和線上平台來即時監測COVID-19疫苗的不良事件，解決傳統報告系統的延遲問題。研究人員開發了一個網頁應用程式，分析來自190個國家和61種語言的資料，並使用自然語言處理技術來識別不良事件。結果顯示，大部分不良事件在2021年報告，2022年有所減少，且與健康當局的報告一致。這顯示社交媒體數據能有效增強疫苗安全監測的信心。 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

Large language models for analyzing open text in global health surveys: why children are not accessing vaccine services in the Democratic Republic of the Congo.
全球健康調查中分析開放文本的大型語言模型：為什麼兒童無法在剛果民主共和國獲得疫苗服務。 Int Health 2025-03-07

這項研究探討大型語言模型（LLMs）在分析全球健康調查自由文本回應的有效性，特別針對2020至2023年的疫苗覆蓋調查數據。研究測試了多種LLM技術，發現準確率介於61.5%到96%之間，微調或少樣本學習能顯著提升表現。結果顯示，LLMs能增強數據分析能力，並為全球健康組織提供可擴展且具成本效益的解決方案。儘管面臨挑戰，這項研究強調了LLMs在改善數據分析和指導健康政策方面的潛力。 PubMed DOI

MIFlu: Large Language Model-based Multimodal Influenza Forecasting Scheme.
MIFlu：基於大型語言模型的多模態流感預測方案 IEEE J Biomed Health Inform 2025-04-15

這篇論文提出MIFlu新方法，把流感數據和文字情境結合，並用大型語言模型來預測流感。結果顯示，這種做法預測準確率比傳統方法高出26.2%，證明結合專業知識和情境資訊對疾病預測很有幫助。 PubMed DOI

原始文章

站上相關主題文章列表