論文の概要: Predicting Zip Code-Level Vaccine Hesitancy in US Metropolitan Areas Using Machine Learning Models on Public Tweets

• arxiv url: http://arxiv.org/abs/2108.01699v1
• Date: Tue, 3 Aug 2021 18:43:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-06 01:25:09.469354
• Title: Predicting Zip Code-Level Vaccine Hesitancy in US Metropolitan Areas Using Machine Learning Models on Public Tweets
• Title（参考訳）: 公開つぶやきの機械学習モデルを用いた米国大都市圏におけるZip Code-Level Vaccine Hesitancyの予測
• Authors: Sara Melotte and Mayank Kejriwal
• Abstract要約: 過去1年間に収集された公開Twitterデータを用いて,方法論と実験的検討を行った。 我々のゴールは、新しい機械学習アルゴリズムを考案することではなく、既存のモデルと確立されたモデルを比較フレームワークで評価することである。
• 参考スコア（独自算出の注目度）: 10.45742327204133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although the recent rise and uptake of COVID-19 vaccines in the United States has been encouraging, there continues to be significant vaccine hesitancy in various geographic and demographic clusters of the adult population. Surveys, such as the one conducted by Gallup over the past year, can be useful in determining vaccine hesitancy, but can be expensive to conduct and do not provide real-time data. At the same time, the advent of social media suggests that it may be possible to get vaccine hesitancy signals at an aggregate level (such as at the level of zip codes) by using machine learning models and socioeconomic (and other) features from publicly available sources. It is an open question at present whether such an endeavor is feasible, and how it compares to baselines that only use constant priors. To our knowledge, a proper methodology and evaluation results using real data has also not been presented. In this article, we present such a methodology and experimental study, using publicly available Twitter data collected over the last year. Our goal is not to devise novel machine learning algorithms, but to evaluate existing and established models in a comparative framework. We show that the best models significantly outperform constant priors, and can be set up using open-source tools.
• Abstract（参考訳）: 米国での新型コロナウイルスワクチンの最近の増加と普及は奨励されているが、成人人口の様々な地理的・人口的集団において、重要なワクチンヘシタシーが続いている。 ギャラップが過去1年間に実施した調査は、ワクチンの耐久性を決定するのに有用であるが、実行には高価であり、リアルタイムデータを提供しない。 同時に、ソーシャルメディアの出現は、公開されている情報源から機械学習モデルと社会経済的(およびその他の)機能を使用することで、ワクチンのヒューシタンシー信号を(zipコードのような)集約レベルで得ることができることを示唆している。 現時点では、そのような取り組みが実現可能かどうか、また、一定の事前しか使用していないベースラインと比較してどうかは明らかではない。 また,実データを用いた適切な方法論や評価結果も提示されていない。 本稿では,昨年収集した公開twitterデータを用いて,このような方法論と実験研究について述べる。 我々のゴールは、新しい機械学習アルゴリズムを考案することではなく、既存のモデルと確立されたモデルを比較フレームワークで評価することである。 最良モデルが一定の事前性能を大幅に上回っており、オープンソースツールを使って設定できることを示す。

関連論文リスト

• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Evaluating COVID-19 vaccine allocation policies using Bayesian $m$-top exploration [53.122045119395594]
  マルチアーム・バンディット・フレームワークを用いてワクチンのアロケーション戦略を評価する新しい手法を提案する。 $m$-top Exploringにより、アルゴリズムは最高のユーティリティを期待する$m$ポリシーを学ぶことができる。 ベルギーのCOVID-19流行を個人モデルSTRIDEを用いて検討し、予防接種方針のセットを学習する。
  論文  参考訳（メタデータ） (2023-01-30T12:22:30Z)
• "Double vaccinated, 5G boosted!": Learning Attitudes towards COVID-19 Vaccination from Social Media [4.178929174617172]
  ソーシャルメディア上でのテキスト投稿を利用して、利用者の接種姿勢をほぼリアルタイムで抽出し追跡する。 我々は、ユーザのソーシャルネットワーク隣人の最近の投稿を統合して、ユーザの真の態度を検出する。 Twitterの注釈付きデータセットに基づいて、我々のフレームワークからインスタンス化されたモデルは、姿勢抽出のパフォーマンスを最大23%向上させることができる。
  論文  参考訳（メタデータ） (2022-06-27T17:04:56Z)
• A Multilingual Dataset of COVID-19 Vaccination Attitudes on Twitter [4.696697601424039]
  新型コロナウイルスワクチンに関連するツイートのデータセットの収集と公開について述べる。 このデータセットは、西ヨーロッパから収集された2,198,090のツイートのIDで構成され、そのうち17,934件は原住民の予防接種姿勢に注釈付けされている。
  論文  参考訳（メタデータ） (2022-06-27T13:44:48Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Machine learning approaches for localized lockdown during COVID-19: a case study analysis [0.0]
  Sars-CoV-2は、世界的なパンデミックとなった重要な急性呼吸器疾患として登場した。 ブラジルは、国家と自治体の社会経済的差異が大きいため、ウイルス対策に苦慮している。 本研究では,ブラジルの新型コロナウイルスデータに適用したさまざまな機械学習アルゴリズムとディープラーニングアルゴリズムを用いた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-01-03T15:32:06Z)
• Can Self Reported Symptoms Predict Daily COVID-19 Cases? [12.029443053416399]
  機械学習モデルを開発し、自己報告症状を用いてCOVID-19の流行を推定する。 その結果,グローバルモデルとは対照的に,局所モデルに対する誤差が低かった。 この研究は、オンラインプラットフォームを介して収集されたクラウドソースデータに基づいて開発されたモデルが、既存の疫学的監視インフラストラクチャを補完できることを示しています。
  論文  参考訳（メタデータ） (2021-05-18T07:26:09Z)
• Impact of Interventional Policies Including Vaccine on Covid-19 Propagation and Socio-Economic Factors [0.7874708385247353]
  本研究の目的は、新型コロナウイルスの伝播と社会経済的影響をモデル化、予測、シミュレーションするための予測分析フレームワークを提供することである。 私たちは最近ローンチしたオープンソースのCOVID-19ビッグデータプラットフォームを活用し、公開研究を使用して潜在的に関連する変数を見つけました。 先進的な機械学習パイプラインは、現代的な機械学習アーキテクチャにデプロイされた自己進化モデルを用いて開発された。
  論文  参考訳（メタデータ） (2021-01-11T15:08:07Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。