Fugu-MT 論文翻訳(概要): Machine Learning Evaluation of the Echo-Chamber Effect in Medical Forums

論文の概要: Machine Learning Evaluation of the Echo-Chamber Effect in Medical Forums

arxiv url: http://arxiv.org/abs/2010.09574v1
Date: Mon, 19 Oct 2020 14:59:50 GMT
ステータス: 処理完了
システム内更新日: 2022-10-05 22:32:53.577953
Title: Machine Learning Evaluation of the Echo-Chamber Effect in Medical Forums
Title（参考訳）: 医療フォーラムにおけるエコーチャンバー効果の機械学習による評価
Authors: Marina Sokolova (IBDA@Dalhousie University and University of Ottawa) Victoria Bobicev (Technical University of Moldova)
Abstract要約: 私たちは14のモデルを構築し、オンライン医療フォーラムから集められた議論を表現するためにそれらを適用します。我々は、評価モデルの長所を評価するために、4つのマルチクラス感情分類アプリケーションと2つの機械学習アルゴリズムを使用する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose the Echo-Chamber Effect assessment of an online forum. Sentiments perceived by the forum readers are at the core of the analysis; a complete message is the unit of the study. We build 14 models and apply those to represent discussions gathered from an online medical forum. We use four multi-class sentiment classification applications and two Machine Learning algorithms to evaluate prowess of the assessment models.
Abstract（参考訳）: オンラインフォーラムのエコーチャンバー効果評価を提案する。フォーラムの読者が感じている感情は分析の核心にある;完全なメッセージは研究の単位である。私たちは14のモデルを構築し、それらをオンライン医療フォーラムから集めた議論の表現に適用します。評価モデルの確率を評価するために,4つのマルチクラス感情分類アプリケーションと2つの機械学習アルゴリズムを用いた。

関連論文リスト

Analysis of the ICML 2023 Ranking Data: Can Authors' Opinions of Their Own Papers Assist Peer Review in Machine Learning? [52.00419656272129]
我々は2023年の国際機械学習会議(ICML)で実験を行った。我々はそれぞれ2,592件の応募書を含む1,342件のランク付けを受けた。著者によるランキングを用いて生のレビュースコアを校正するイソトニックメカニズムに注目した。
論文参考訳（メタデータ） (2024-08-24T01:51:23Z)
MINDECHO: Role-Playing Language Agents for Key Opinion Leaders [50.43050502970816]
本稿では、キーオピニオンリーダー(KOL)の開発と評価のためのフレームワークであるMINDECHOを紹介する。 MINDECHOは、様々な専門分野のインターネットビデオテキストからKOLデータを収集し、GPT-4を利用して会話を合成する。 KOLの一般次元(e, knowledge, tone)とファン中心次元の両方を対象として評価を行った。
論文参考訳（メタデータ） (2024-07-07T09:08:33Z)
ElicitationGPT: Text Elicitation Mechanisms via Language Models [12.945581341789431]
本稿では,大規模言語モデルに対するドメイン知識のないクエリを用いて,提案したテキストを真理テキストに対してスコアリングする機構について述べる。ピアグレーディングデータセットからのピアレビューと、ピアレビューのマニュアルインストラクタースコアとの比較により、経験的評価を行う。
論文参考訳（メタデータ） (2024-06-13T17:49:10Z)
A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence [58.6354685593418]
本稿では, レビューを評価するために, 記事レベル, フィールド正規化, 大規模言語モデルを用いた書誌指標を提案する。新たに登場したAI生成の文献レビューも評価されている。この研究は、文学レビューの現在の課題についての洞察を与え、彼らの開発に向けた今後の方向性を思い起こさせる。
論文参考訳（メタデータ） (2024-02-20T11:28:50Z)
Bloom-epistemic and sentiment analysis hierarchical classification in course discussion forums [0.0]
提案手法はBloom-Epistemic and Sentiment Analysis (BE-Sent) の階層的アプローチである。本研究は,議論フォーラムのテキストレビューに基づいて意見を評価する授業学習サブシステムの構築に成功した。
論文参考訳（メタデータ） (2024-01-26T08:20:13Z)
K-ESConv: Knowledge Injection for Emotional Support Dialogue Systems via Prompt Learning [83.19215082550163]
K-ESConvは、感情支援対話システムのための、新しい学習に基づく知識注入手法である。本研究では,情緒的支援データセットESConvを用いて,外部の専門的情緒的Q&Aフォーラムから知識を抽出し,組み込んだモデルを評価した。
論文参考訳（メタデータ） (2023-12-16T08:10:10Z)
Unveiling the Sentinels: Assessing AI Performance in Cybersecurity Peer Review [4.081120388114928]
サイバーセキュリティの分野では、ダブルブラインドピアレビューの実践がデファクトスタンダードである。本稿では、ピアレビューの聖杯に触れ、学術的セキュリティカンファレンスのレビューにおけるAIのパフォーマンスについて光を当てることを目的としている。本研究では,人間レビュアーと機械学習モデルから得られた結果を比較し,評価結果の予測可能性について検討する。
論文参考訳（メタデータ） (2023-09-11T13:51:40Z)
LDNet: Unified Listener Dependent Modeling in MOS Prediction for Synthetic Speech [67.88748572167309]
本稿では,平均世論スコア(MOS)予測のための統合フレームワークLDNetを提案する。より安定した結果と効率的な計算を提供する2つの推論手法を提案する。
論文参考訳（メタデータ） (2021-10-18T08:52:31Z)
A Multimodal Machine Learning Framework for Teacher Vocal Delivery Evaluation [21.07429789279818]
本稿では,ペアワイズ比較とマルチモーダル・ハウジング・アルゴリズムを用いて,教師の声道伝達の客観評価結果を生成する機械学習手法を提案する。
論文参考訳（メタデータ） (2021-07-15T05:09:39Z)
Speech-Based Emotion Recognition using Neural Networks and Information Visualization [1.52292571922932]
本研究では,音声成分から音声サンプルを抽出し,様々な感情を識別するツールを提案する。ダッシュボードは、音声データの直感的な表現のために、局所的なセラピストのニーズに基づいて設計されている。
論文参考訳（メタデータ） (2020-10-28T20:57:32Z)
A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss [51.448615489097236]
ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
論文参考訳（メタデータ） (2020-06-02T13:34:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。