Fugu-MT 論文翻訳(概要): LocalTweets to LocalHealth: A Mental Health Surveillance Framework Based on Twitter Data

論文の概要: LocalTweets to LocalHealth: A Mental Health Surveillance Framework Based on Twitter Data

arxiv url: http://arxiv.org/abs/2402.13452v2
Date: Tue, 26 Mar 2024 17:59:14 GMT
ステータス: 処理完了
システム内更新日: 2024-03-27 21:53:51.122797
Title: LocalTweets to LocalHealth: A Mental Health Surveillance Framework Based on Twitter Data
Title（参考訳）: LocalTweets to LocalHealth:Twitterのデータに基づくメンタルヘルス監視フレームワーク
Authors: Vijeta Deshpande, Minhwa Lee, Zonghai Yao, Zihao Zhang, Jason Brian Gibbons, Hong Yu,
Abstract要約: 我々は、メンタルヘルス(MH)の結果に焦点をあてて、公衆衛生を調査するための新しい枠組みを提案する。地域ごとのつぶやきと、CDC(Center for Disease Control)が報告したMH結果とを合わせることで、ベンチマークデータセットであるLocalTweetsを作成します。そこで我々は、LocalTweetsに基づくMH結果を予測するための効率的で効果的なLocalHealth法を開発した。
参考スコア（独自算出の注目度）: 10.653599517604407
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Prior research on Twitter (now X) data has provided positive evidence of its utility in developing supplementary health surveillance systems. In this study, we present a new framework to surveil public health, focusing on mental health (MH) outcomes. We hypothesize that locally posted tweets are indicative of local MH outcomes and collect tweets posted from 765 neighborhoods (census block groups) in the USA. We pair these tweets from each neighborhood with the corresponding MH outcome reported by the Center for Disease Control (CDC) to create a benchmark dataset, LocalTweets. With LocalTweets, we present the first population-level evaluation task for Twitter-based MH surveillance systems. We then develop an efficient and effective method, LocalHealth, for predicting MH outcomes based on LocalTweets. When used with GPT3.5, LocalHealth achieves the highest F1-score and accuracy of 0.7429 and 79.78\%, respectively, a 59\% improvement in F1-score over the GPT3.5 in zero-shot setting. We also utilize LocalHealth to extrapolate CDC's estimates to proxy unreported neighborhoods, achieving an F1-score of 0.7291. Our work suggests that Twitter data can be effectively leveraged to simulate neighborhood-level MH outcomes.
Abstract（参考訳）: Twitter(現在のX)のデータに関する以前の研究は、補充型健康監視システムの開発において、その有用性に肯定的な証拠を与えている。本研究では,精神保健(MH)の結果に着目し,公衆衛生を調査するための新たな枠組みを提案する。ローカルに投稿されたツイートは、ローカルなMHの結果を示すものだと仮定し、米国の765の地区(センサスブロックグループ)から投稿されたツイートを収集する。これらのツイートとCDC(Center for Disease Control)が報告したMH結果とを組み合わせ、ベンチマークデータセットであるLocalTweetsを作成します。 LocalTweetsでは、TwitterベースのMH監視システムにおいて、初めて人口レベルの評価タスクを提示する。そこで我々は、LocalTweetsに基づくMH結果を予測するための効率的で効果的なLocalHealth法を開発した。 GPT3.5で使用する場合、LocalHealthは最高F1スコアと精度が0.7429と79.78\%に達し、GPT3.5よりも59.8%改善されている。また、LocalHealthを用いてCDCの見積を外挿し、未報告の地区をプロキシし、F1スコアの0.7291を達成しています。我々の研究は、Twitterのデータを効果的に活用して、近隣レベルのMH結果をシミュレートできることを示唆している。

関連論文リスト

On the Vulnerability of Text Sanitization [60.162007426724564]
テキストの衛生化を目的とした理論的に最適な再構築攻撃を提案する。衛生性能を評価するためのベンチマークとして, ASR のバウンダリを導出する。我々の攻撃の1つは、最先端のベースラインよりもASRが46.4%向上したことである。
論文参考訳（メタデータ） (2024-10-22T14:31:53Z)
Privacy-preserving federated prediction of pain intensity change based on multi-center survey data [0.0]
患者が報告した調査データは、医療改善を目的とした予後モデルをトレーニングするために使用される。局所的に訓練されたモデルは、正確でなく、堅牢で、一般化可能である。予後モデル構築のためのプライバシ保護フェデレーション機械学習技術を提案し,適用する。
論文参考訳（メタデータ） (2024-09-12T12:41:58Z)
ThangDLU at #SMM4H 2024: Encoder-decoder models for classifying text data on social disorders in children and adolescents [49.00494558898933]
本稿では,#SMM4H (Social Media Mining for Health) 2024 Workshopのタスク3とタスク5への参加について述べる。タスク3は、屋外環境が社会不安の症状に与える影響を議論するツイートを中心にした多クラス分類タスクである。タスク5は、子供の医学的障害を報告しているツイートに焦点を当てたバイナリ分類タスクを含む。 BART-baseやT5-smallのような事前訓練されたエンコーダデコーダモデルからの転送学習を適用し、与えられたツイートの集合のラベルを同定した。
論文参考訳（メタデータ） (2024-04-30T17:06:20Z)
Detecting the Presence of COVID-19 Vaccination Hesitancy from South African Twitter Data Using Machine Learning [0.9830751917335564]
ワクチン接種はパンデミックと戦う主要なツールだが、ワクチンのヘシタシーは公衆衛生の努力を危険にさらしている。そこで本研究では,AIを用いた分類モデルの訓練を目的とした,ワクチンのヘシタシーに関連する南アフリカのツイートに対する感情分析を行った。
論文参考訳（メタデータ） (2023-07-12T13:28:37Z)
A CNN-LSTM-based hybrid deep learning approach to detect sentiment polarities on Monkeypox tweets [0.5104181562775777]
本研究は,CNNとLSTMに基づくハイブリッド技術であるサルポックス病について,個々人がどう考えるかを明らかにすることに焦点を当てた。 CNNとLSTM上に構築されたアーキテクチャを用いて、予測モデルがどの程度正確かを決定する。推奨モデルの精度は、サルポックスのツイートデータセットで94%だった。
論文参考訳（メタデータ） (2022-08-25T11:53:04Z)
White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
論文参考訳（メタデータ） (2022-07-06T02:03:28Z)
Few-Shot Cross-lingual Transfer for Coarse-grained De-identification of Code-Mixed Clinical Texts [56.72488923420374]
事前学習型言語モデル (LM) は低リソース環境下での言語間移動に大きな可能性を示している。脳卒中におけるコードミキシング(スペイン・カタラン)臨床ノートの低リソース・実世界の課題を解決するために,NER (name recognition) のためのLMの多言語間転写特性を示す。
論文参考訳（メタデータ） (2022-04-10T21:46:52Z)
A PubMedBERT-based Classifier with Data Augmentation Strategy for Detecting Medication Mentions in Tweets [2.539568419434224]
Twitterは毎日大量のユーザー生成テキスト(ツイート)を公開している。エンティティ認識(NER)は、ツイートデータにいくつかの特別な課題を提示します。本稿では,複数のデータ拡張手法を組み合わせたPubMedBERTベースの分類器について検討する。提案手法はF1スコアが0.762であり, 平均値よりもかなり高い値を示した。
論文参考訳（メタデータ） (2021-11-03T14:29:24Z)
Exploring the Scope and Potential of Local Newspaper-based Dengue Surveillance in Bangladesh [1.181206257787103]
デング熱は21世紀の公衆衛生問題の一つと考えられている。このような地域では、監視のきめ細かいレベルを強制することは、非常に不可能である。進行中の状況をタイムリーに更新できる代替のコスト効果ソリューションを探究することが不可欠である。
論文参考訳（メタデータ） (2021-07-07T18:48:15Z)
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)
Understanding the Hoarding Behaviors during the COVID-19 Pandemic using Large Scale Social Media Data [77.34726150561087]
われわれは、2020年3月1日から4月30日まで、米国で4万2000人以上のユニークTwitterユーザーによる嫌がらせと反嫌悪のパターンを分析した。ホアーディンググループと反ホアーディンググループの両方の女性の比率が、一般のTwitter利用者の比率よりも高いことがわかりました。 LIWCの不安度はTwitterの不安度よりもかなり高い。
論文参考訳（メタデータ） (2020-10-15T16:02:25Z)

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。