論文の概要: Identifying Self-Disclosures of Use, Misuse and Addiction in
Community-based Social Media Posts
- arxiv url: http://arxiv.org/abs/2311.09066v1
- Date: Wed, 15 Nov 2023 16:05:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 15:18:58.399735
- Title: Identifying Self-Disclosures of Use, Misuse and Addiction in
Community-based Social Media Posts
- Title(参考訳): コミュニティ・ベースのソーシャルメディア投稿における利用・誤用・依存の自己開示
- Authors: Chenghao Yang, Tuhin Chakrabarty, Karli R Hochstatter, Melissa N
Slavin, Nabila El-Bassel, Smaranda Muresan
- Abstract要約: 医療用, 誤用, 添加, 回復用, 再発用, 使用しない6種類のオピオイド使用の異なるサブレディットから2500件のオピオイド関連記事のコーパスを提出した。
すべての投稿において、我々は、スパンレベルの抽出的説明を注釈付けし、アノテーションの品質とモデル開発の両方において、それらの役割を決定的に研究します。
モデリングにおける説明の活用は,オピオイド乱用障害連続体の研究などの高用量領域において,その有効性を示す分類精度を著しく向上させることがわかった。
- 参考スコア(独自算出の注目度): 27.47379971424582
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the last decade, the United States has lost more than 500,000 people from
an overdose involving prescription and illicit opioids
(https://www.cdc.gov/drugoverdose/epidemic/index.html) making it a national
public health emergency (USDHHS, 2017). To more effectively prevent
unintentional opioid overdoses, medical practitioners require robust and timely
tools that can effectively identify at-risk patients. Community-based social
media platforms such as Reddit allow self-disclosure for users to discuss
otherwise sensitive drug-related behaviors, often acting as indicators for
opioid use disorder. Towards this, we present a moderate size corpus of 2500
opioid-related posts from various subreddits spanning 6 different phases of
opioid use: Medical Use, Misuse, Addiction, Recovery, Relapse, Not Using. For
every post, we annotate span-level extractive explanations and crucially study
their role both in annotation quality and model development. We evaluate
several state-of-the-art models in a supervised, few-shot, or zero-shot
setting. Experimental results and error analysis show that identifying the
phases of opioid use disorder is highly contextual and challenging. However, we
find that using explanations during modeling leads to a significant boost in
classification accuracy demonstrating their beneficial role in a high-stakes
domain such as studying the opioid use disorder continuum. The dataset will be
made available for research on Github in the formal version.
- Abstract(参考訳): この10年間で、米国は、処方薬と違法オピオイド(https://www.cdc.gov/drugoverdose/epidemic/index.html)を含む過剰摂取で50万人以上を失った。
意図しないオピオイドの過剰摂取をより効果的に防止するため、医師はリスクの高い患者を効果的に特定できる堅牢でタイムリーなツールが必要である。
redditのようなコミュニティベースのソーシャルメディアプラットフォームは、ユーザーが他のセンシティブな薬物関連行動について自己開示することを可能にし、しばしばオピオイド使用障害の指標として機能する。
そこで本研究では,オピオイド使用の6段階(医療用,誤用,添加,回復,再発,使用しない)にまたがる,2500個のオピオイド関連ポストの適度なサイズコーパスを提示する。
すべての投稿で、私たちは、スパンレベルの抽出説明に注釈を付け、アノテーションの品質とモデル開発の両方において、その役割を重要視しています。
我々は,教師付き,少数ショット,ゼロショットの設定において,最先端のモデルをいくつか評価する。
実験結果と誤差解析の結果,オピオイド使用障害の位相の同定は非常に文脈的かつ困難であることがわかった。
しかし,モデリングにおける説明の活用は,オピオイド乱用障害連続体の研究などの高用量領域における有効性を示す分類精度を著しく向上させることがわかった。
データセットは、公式バージョンでgithubで研究することができる。
関連論文リスト
- Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。
従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。
言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
論文 参考訳(メタデータ) (2024-03-13T09:42:46Z) - "Can We Detect Substance Use Disorder?": Knowledge and Time Aware
Classification on Social Media from Darkweb [0.08388591755871731]
本研究は,オピオイドを暗号市場上場を通じて販売するソーシャルメディア上での物質使用状況を分析した。
我々は、薬物乱用オントロジー、最先端のディープラーニング、知識を意識したBERTベースのモデルを用いて、感情と感情を生成する。
我々は、暗号市場データをクロールして、フェンタニル、フェンタニル類縁体、その他の新しい合成オピオイドの抽出に利用した方法について論じる。
論文 参考訳(メタデータ) (2023-04-20T17:47:13Z) - Knowledge-Driven New Drug Recommendation [88.35607943144261]
既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。
EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。
その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
論文 参考訳(メタデータ) (2022-10-11T16:07:52Z) - Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。
MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。
総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
論文 参考訳(メタデータ) (2022-03-28T05:44:29Z) - Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。
本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
論文 参考訳(メタデータ) (2022-02-08T09:42:08Z) - eDarkTrends: Harnessing Social Media Trends in Substance use disorders
for Opioid Listings on Cryptomarket [10.220809005199781]
本研究は,ソーシャルメディア上で,オピオイドが仮想通貨市場で販売されている場合の薬物乱用記事を分析した。
我々は、薬物乱用オントロジー、最先端のディープラーニング、およびBERTベースのモデルを使用して、ソーシャルメディア投稿に対する感情と感情を生成する。
時間的介入が必要なオピオイド症例の分離を支援するため, 政策形成に有効であると考えられた。
論文 参考訳(メタデータ) (2021-03-29T16:58:26Z) - Patterns of Routes of Administration and Drug Tampering for Nonmedical
Opioid Consumption: Data Mining and Content Analysis of Reddit Discussions [0.0]
我々は、半自動情報検索アルゴリズムを用いて、非医療オピオイド消費について議論するサブレディットを同定した。
我々は,物質や投与経路の選好をモデル化し,その頻度と時間的展開を推定した。
フェンタニルパッチを噛んだり、ブプレノルフィンを舌下から溶かすなどの乱用行動の証拠が発見された。
論文 参考訳(メタデータ) (2021-02-22T18:14:48Z) - Identifying Risk of Opioid Use Disorder for Patients Taking Opioid
Medications with Deep Learning [3.2663488776173573]
米国ではオピオイドが流行しており、毎年12歳以上で1000万人以上のオピオイド誤用者がいた。
オピオイド使用障害(OUD)のリスクが高い患者を同定することは、OUDのリスクを低減する早期臨床介入に役立つ。
本研究の目的は,オピオイド処方薬使用者のOUD患者を,機械学習と深層学習による電子健康記録の分析により予測することである。
論文 参考訳(メタデータ) (2020-10-09T14:18:07Z) - Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出
本稿では,DDI検出のための2段階関節モデルを提案する。
シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
論文 参考訳(メタデータ) (2020-08-28T15:30:08Z) - Computational Support for Substance Use Disorder Prevention, Detection,
Treatment, and Recovery [62.9980747784214]
物質使用障害には、アルコール、オピオイド、マリファナ、メタンフェタミンの誤用が含まれる。
成人12人中1人が薬物使用障害を患っている。
全米薬物乱用協会(National Institute on Drug Abuse)は、SUDが年間5200億ドルの費用を負担していると推計している。
論文 参考訳(メタデータ) (2020-06-23T18:30:20Z)
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。