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

這項研究首次探討大型語言模型（LLMs）在環境決策中的應用，分析其潛在優勢與限制。研究提出兩個框架：一是LLMs輔助的框架，增強人類專業知識；二是LLMs驅動的框架，自動化優化任務。透過水工程中PFAS控制的案例，顯示這兩個框架在環境決策中的優化效果。結果顯示，LLMs輔助框架在調節流量和改善PFAS攔截上表現良好，而LLMs驅動框架在複雜參數優化上則面臨挑戰。研究強調人工智慧應輔助而非取代人類專業知識，為未來的合作奠定基礎。 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

這項研究探討利用長短期記憶（LSTM）網絡來預測山洪，強調小流域水位快速變化需全面數據考量。研究團隊為中國浙江省的七溪水庫和橋東村開發水文知識圖譜（KG），整理水利數據並識別關鍵災害因素，以提升預測準確性。結果顯示，結合KG和大型語言模型（LLM）的LSTM模型預測準確性比標準LSTM高3%，且表現優於RNN和GRU。研究建議未來應重點理解多維災害數據與算法的關係。 PubMed DOI

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

美國公共衛生協會年會的研究發現，近年來氣候變遷相關議題在公共衛生討論中不僅數量減少，主題也變得單一，主要聚焦在健康影響，像是熱傷害和心理健康，較少討論政策或人力資源。這顯示公共衛生領域需要加強能力，並更積極把氣候變遷納入核心議題，重視公平性。 PubMed DOI

這項研究發現，像Gemini 1.5 Pro和GPT-4o這類大型語言模型，能從Facebook貼文中中等準確地偵測出有風險的飲酒行為，尤其對近期有發文的人效果更好。LLMs有機會成為低干擾、可擴展的篩檢工具，但仍需更多研究來確認其應用。 PubMed DOI

這篇研究分析超過11萬則微博貼文，發現福島核廢水事件爆發後，網友關注度在前兩週大增，雖然憤怒慢慢減弱，但恐懼情緒還是最強。沿海地區因為離日本近、吃海鮮多，討論特別熱烈，但風險感受沒明顯地區差異。高學歷和常吃海鮮的人討論也較多，經濟條件影響不大。建議風險溝通要配合時機、地點和情緒調整，並考慮中國的社會文化背景。 PubMed DOI

這篇研究分析英文媒體怎麼報導「gluing」抗議（像把自己黏在物體上的行動），發現現在這類抗議多跟氣候行動有關。媒體報導普遍偏負面，但公共媒體較中立。抗議者很少提解決方法，新聞則多聚焦政策和安全。研究也提到用 NLP 分析新聞的困難，未來大型語言模型有機會改善，但也會有新挑戰。 PubMed DOI

這項研究發現，社群媒體上關於自殺的討論常忽略弱勢族群的議題。研究團隊用AI生成補足這些缺漏主題的資料，讓機器學習模型訓練更全面。結果顯示，加入這些合成資料後，模型偵測自殺意念的準確度提升，有助於打造更包容的線上自殺風險偵測工具。 PubMed DOI