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

Comparing the Accuracy of Two Generated Large Language Models in Identifying Health-Related Rumors or Misconceptions and the Applicability in Health Science Popularization: Proof-of-Concept Study.
比較兩種生成的大型語言模型在識別健康相關謠言或誤解的準確性及其在健康科學普及中的適用性：概念驗證研究。 JMIR Form Res 2024-12-02

這項研究比較了OpenAI的GPT-4和百度的ERNIE Bot 4.0在識別健康謠言及生成中文健康科普內容的能力。結果顯示，兩者在識別謠言方面準確率達100%，但在識別真相上，GPT-4正確率為70%，而ERNIE Bot 4.0則為100%。兩者的解釋均獲得護理專家的認可，且可讀性相似。ERNIE Bot 4.0在文化適用性上表現更佳，特別適合中國讀者。研究強調這些模型在提升公眾健康知識的重要性。 PubMed DOI

Long COVID Discourse in Canada, the United States, and Europe: Topic Modeling and Sentiment Analysis of Twitter Data.
加拿大、美國和歐洲的長期 COVID 論述：Twitter 數據的主題建模和情感分析。 J Med Internet Res 2024-12-09

這項研究分析了來自加拿大、美國和歐洲的英文推文，探討公眾對長期新冠的看法與情感。研究發現五個主要主題，包括疫苗接種後的長期新冠情況、持續時間與痛苦、持續症狀、對治療研究的需求，以及症狀測量。研究強調了各地對長期新冠的關注，並指出重大事件會影響公眾情感。透過自然語言處理技術，這項研究為公共衛生策略提供了重要見解，顯示社交媒體在解決公共衛生問題上的潛力。 PubMed DOI

Improving entity recognition using ensembles of deep learning and fine-tuned large language models: A case study on adverse event extraction from VAERS and social media.
使用深度學習和微調大型語言模型的集成來改善實體識別：以從 VAERS 和社交媒體提取不良事件為案例研究。 J Biomed Inform 2025-02-09

這項研究專注於從文本中提取與COVID-19疫苗相關的不良事件資訊，對疫苗安全性監測至關重要。研究比較了大型語言模型（LLMs）和傳統深度學習模型的表現，並探討了模型集成的優勢。使用了VAERS、Twitter和Reddit的數據，識別疫苗、接種和不良事件等實體。多個模型經過微調，最佳集成結果顯示「疫苗」的F1分數為0.878，「接種」為0.930，「不良事件」為0.925，整體微平均F1分數為0.903。研究強調了微調和集成方法在提升性能上的重要性，推進了生物醫學領域的自然語言處理。 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

Use of large language models to identify pseudo-information: Implications for health information.
大型語言模型在識別偽資訊中的應用：對健康資訊的影響。 Health Info Libr J 2025-03-20

這項研究分析了四個大型語言模型（LMMs）——ChatGPT-4o、Claude 3.5 Sonnet、Gemini 和 Copilot——在辨識開放存取文章中的錯誤健康資訊的效果。結果顯示，ChatGPT-4o 和 Claude 能有效標記不可靠文章，但Gemini 和 Copilot卻漏掉了幾個重要問題。在驗證階段，ChatGPT-4o 的準確性無法重現，只有Claude持續檢測出重大問題。研究指出，這些模型在識別虛假資訊上存在顯著差異，並建議改進以提升其在健康應用中的可靠性。 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

A comparative analysis of large language models versus traditional information extraction methods for real-world evidence of patient symptomatology in acute and post-acute sequelae of SARS-CoV-2.
SARS-CoV-2 急性及後急性症狀群患者症狀學真實世界證據中，大型語言模型與傳統資訊擷取方法之比較分析 PLoS One 2025-05-15

這項研究發現，規則式系統 BioMedICUS 在從臨床紀錄擷取 COVID-19 症狀的準確度和族群公平性上，都比大型語言模型（LLaMA2-13B、LLaMA3-8B）表現更好。不過，LLMs 在某些情境下也有優勢。整體來說，LLMs 在公平性和泛化能力上還有待加強，未來需提升訓練資料和標註品質。 PubMed DOI

Advancing real-time infectious disease forecasting using large language models.
利用大型語言模型推進即時傳染病預測 Nat Comput Sci 2025-06-06

PandemicLLM 是新一代疫情預測框架，把疾病傳播預測當成文字推理問題來解決。它結合即時多元資料（如防疫政策、基因監測、時序數據），透過 AI 與人類協作提示提升預測準確度。實測美國各州 COVID-19 資料，表現優於現有模型，能整合複雜非數值資訊，讓疫情預測更精準。 PubMed DOI

原始文章

站上相關主題文章列表