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
- Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。
疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。
実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
論文 参考訳(メタデータ) (2024-11-20T00:43:32Z) - Revealing COVID-19's Social Dynamics: Diachronic Semantic Analysis of Vaccine and Symptom Discourse on Twitter [12.75089285888253]
本稿では,あらかじめ定義されたアンカー語を使わずに,ソーシャルメディアデータ中の縦長的な意味変化を捉えるために,教師なしの動的単語埋め込み手法を提案する。
新型コロナウイルス(COVID-19)の大規模なTwitterデータセットに基づいて評価されたこの手法は、異なるパンデミック段階におけるワクチンおよび症状関連エンティティのセマンティックな進化パターンを明らかにする。
論文 参考訳(メタデータ) (2024-10-10T20:15:28Z) - Event Detection from Social Media for Epidemic Prediction [76.90779562626541]
ソーシャルメディア投稿から疫病関連事象を抽出・分析する枠組みを構築した。
実験では、新型コロナウイルスベースのSPEEDで訓練されたEDモデルが、3つの目に見えない流行の流行を効果的に検出する方法が明らかにされている。
モンキーポックスのWHO流行宣言より4~9週間早く,抽出した事象の報告が急激な増加を示すことを示す。
論文 参考訳(メタデータ) (2024-04-02T06:31:17Z) - 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) - 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)
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。