論文の概要: Addressing machine learning concept drift reveals declining vaccine
sentiment during the COVID-19 pandemic
- arxiv url: http://arxiv.org/abs/2012.02197v2
- Date: Mon, 7 Dec 2020 11:28:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-23 18:59:25.265790
- Title: Addressing machine learning concept drift reveals declining vaccine
sentiment during the COVID-19 pandemic
- Title(参考訳): 新型コロナウイルスのパンデミックでワクチンの感情が低下する機械学習のコンセプトドリフト
- Authors: Martin M\"uller, Marcel Salath\'e
- Abstract要約: 過去のアノテートデータに基づいてトレーニングされた機械学習アルゴリズムは,現代のデータに適用した場合,性能が低下する可能性があることを示す。
2020年の新型コロナウイルス(COVID-19)パンデミック(COVID-19)パンデミック(パンデミック)のパンデミック(パンデミック)前のデータで訓練されたアルゴリズムは、コンセプトの漂流のためにこの減少をほとんど見逃していただろう。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Social media analysis has become a common approach to assess public opinion
on various topics, including those about health, in near real-time. The growing
volume of social media posts has led to an increased usage of modern machine
learning methods in natural language processing. While the rapid dynamics of
social media can capture underlying trends quickly, it also poses a technical
problem: algorithms trained on annotated data in the past may underperform when
applied to contemporary data. This phenomenon, known as concept drift, can be
particularly problematic when rapid shifts occur either in the topic of
interest itself, or in the way the topic is discussed. Here, we explore the
effect of machine learning concept drift by focussing on vaccine sentiments
expressed on Twitter, a topic of central importance especially during the
COVID-19 pandemic. We show that while vaccine sentiment has declined
considerably during the COVID-19 pandemic in 2020, algorithms trained on
pre-pandemic data would have largely missed this decline due to concept drift.
Our results suggest that social media analysis systems must address concept
drift in a continuous fashion in order to avoid the risk of systematic
misclassification of data, which is particularly likely during a crisis when
the underlying data can change suddenly and rapidly.
- Abstract(参考訳): ソーシャルメディア分析は、健康に関するトピックを含む様々なトピックに関する世論をほぼリアルタイムで評価するための一般的なアプローチとなっている。
ソーシャルメディアの投稿数の増加は、自然言語処理における現代の機械学習手法の利用の増加につながった。
ソーシャルメディアの急速なダイナミクスは、基盤となるトレンドを素早く捉えることができるが、同時に技術的な問題も生じている。
概念ドリフトとして知られるこの現象は、関心事自体の話題や話題の議論の仕方で急激な変化が起こる場合、特に問題となることがある。
ここでは、特にCOVID-19パンデミックにおいて重要な話題であるTwitter上で表現されたワクチンの感情に焦点をあてて、機械学習の概念が漂流する影響について検討する。
2020年の新型コロナウイルス(COVID-19)パンデミック(COVID-19)パンデミック(パンデミック)のパンデミック(パンデミック)前のデータで訓練されたアルゴリズムは、コンセプトの漂流のためにこの減少をほとんど見逃していただろう。
以上の結果から, ソーシャルメディア分析システムでは, データの体系的誤分類のリスクを回避するために, 概念の漂流を連続的に解決しなければならないことが示唆された。
関連論文リスト
- When Infodemic Meets Epidemic: a Systematic Literature Review [3.3454373538792543]
ソーシャルメディアは、バイオサーベイランスに活用できる大量のデータを提供している。
この体系的な文献レビューは、さまざまな流行関連文脈におけるソーシャルメディアの統合の方法論的概要を提供する。
論文 参考訳(メタデータ) (2022-10-03T21:04:30Z) - Dynamics of (mis)information flow and engaging power of narratives [1.2183405753834562]
誤情報とその潜在的有害な世論への影響に関する議論は複雑で多面的である。
我々は、一般の関心事やワクチンなどの社会的関連性に関する誤報が、市民とニュースダイエットの両方で利用できる情報に与える影響について光を当てた。
我々の結果は、ニュースエコシステムにおける誤った情報ソースによって達成される顕著な役割だけでなく、特にセンシティブで感情的な問題に関して、主流メディアが時とともに大衆の議論を駆り立てることができないことも示しています。
論文 参考訳(メタデータ) (2022-07-25T15:35:48Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳(メタデータ) (2022-07-19T16:15:11Z) - Adherence to Misinformation on Social Media Through Socio-Cognitive and
Group-Based Processes [79.79659145328856]
誤報が広まると、これはソーシャルメディア環境が誤報の付着を可能にするためである、と我々は主張する。
偏光と誤情報付着が密接な関係にあると仮定する。
論文 参考訳(メタデータ) (2022-06-30T12:34:24Z) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳(メタデータ) (2021-12-09T07:11:14Z) - #StayHome or #Marathon? Social Media Enhanced Pandemic Surveillance on
Spatial-temporal Dynamic Graphs [23.67939019353524]
新型コロナウイルスは、公衆衛生、社会、経済のほぼすべての領域に永続的な被害をもたらしている。
既存の研究は、伝統的な統計モデルと流行拡散理論の集約に依存している。
我々は,抽出した出来事と関係に基づいて,ソーシャルメディアがパンデミックの知識を広める新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-08-08T15:46:05Z) - Pulse of the Pandemic: Iterative Topic Filtering for Clinical
Information Extraction from Social Media [1.5938324336156293]
新型コロナウイルスのパンデミックの急速な進展は、公衆衛生上の緊急事態において、最新の臨床知識を急速に広める必要性を浮き彫りにした。
ソーシャルメディアデータから臨床関連情報を抽出するための,教師なしかつ反復的なアプローチを提案する。
このアプローチは、約5200万件の新型コロナウイルス関連ツイートから、臨床関連性の高い詳細なトピックやツイートを特定する。
論文 参考訳(メタデータ) (2021-02-13T01:01:04Z) - Capturing social media expressions during the COVID-19 pandemic in
Argentina and forecasting mental health and emotions [0.802904964931021]
アルゼンチンで発生したCOVID-19パンデミックの際の精神状態や感情は、ソーシャルメディアで使われる言語表現に基づいて予測する。
メンタルヘルスの状況と感情は、ソーシャルメディアの内容とレキシコンを結びつけるマーカーを介してキャプチャされる。
論文 参考訳(メタデータ) (2021-01-12T15:15:31Z) - Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。
本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。
我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
論文 参考訳(メタデータ) (2020-09-20T12:24:45Z) - COVI White Paper [67.04578448931741]
接触追跡は、新型コロナウイルスのパンデミックの進行を変える上で不可欠なツールだ。
カナダで開発されたCovid-19の公衆ピアツーピア接触追跡とリスク認識モバイルアプリケーションであるCOVIの理論的、設計、倫理的考察、プライバシ戦略について概説する。
論文 参考訳(メタデータ) (2020-05-18T07:40:49Z) - Leveraging Multi-Source Weak Social Supervision for Early Detection of
Fake News [67.53424807783414]
ソーシャルメディアは、人々が前例のない速度でオンライン活動に参加することを可能にする。
この制限のないアクセスは、誤情報や偽ニュースの拡散を悪化させ、その緩和のために早期に検出されない限り混乱と混乱を引き起こす可能性がある。
ソーシャルエンゲージメントからの弱い信号とともに、限られた量のクリーンデータを活用して、メタラーニングフレームワークでディープニューラルネットワークをトレーニングし、さまざまな弱いインスタンスの品質を推定します。
実世界のデータセットの実験では、提案されたフレームワークは、予測時にユーザーエンゲージメントを使わずに、フェイクニュースを早期に検出するための最先端のベースラインを上回っている。
論文 参考訳(メタデータ) (2020-04-03T18:26:33Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。