論文の概要: Event Detection from Social Media for Epidemic Prediction
- arxiv url: http://arxiv.org/abs/2404.01679v2
- Date: Fri, 24 May 2024 17:58:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 20:37:11.426118
- Title: Event Detection from Social Media for Epidemic Prediction
- Title（参考訳）: エピデミック予測のためのソーシャルメディアからのイベント検出
- Authors: Tanmay Parekh, Anh Mac, Jiarui Yu, Yuxuan Dong, Syed Shahriar, Bonnie Liu, Eric Yang, Kuan-Hao Huang, Wei Wang, Nanyun Peng, Kai-Wei Chang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 76.90779562626541
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Social media is an easy-to-access platform providing timely updates about societal trends and events. Discussions regarding epidemic-related events such as infections, symptoms, and social interactions can be crucial for informing policymaking during epidemic outbreaks. In our work, we pioneer exploiting Event Detection (ED) for better preparedness and early warnings of any upcoming epidemic by developing a framework to extract and analyze epidemic-related events from social media posts. To this end, we curate an epidemic event ontology comprising seven disease-agnostic event types and construct a Twitter dataset SPEED with human-annotated events focused on the COVID-19 pandemic. Experimentation reveals how ED models trained on COVID-based SPEED can effectively detect epidemic events for three unseen epidemics of Monkeypox, Zika, and Dengue; while models trained on existing ED datasets fail miserably. Furthermore, we show that reporting sharp increases in the extracted events by our framework can provide warnings 4-9 weeks earlier than the WHO epidemic declaration for Monkeypox. This utility of our framework lays the foundations for better preparedness against emerging epidemics.
- Abstract（参考訳）: ソーシャルメディアは、ソーシャルトレンドやイベントに関するタイムリーなアップデートを提供する、簡単にアクセスできるプラットフォームである。
感染、症状、社会的相互作用などの流行関連事象に関する議論は、流行発生時の政策決定を知らせる上で重要である。
本研究は,ソーシャルメディア投稿から流行関連事象を抽出・解析する枠組みを開発することにより,今後の流行の予防と早期警戒のためにイベント検出(ED)を開拓した。
この目的のために,7種類の病原性イベントからなる疫病イベントオントロジーをキュレートし,COVID-19パンデミックに焦点をあてた人間関連イベントを用いたTwitterデータセットを構築した。
実験では、新型コロナウイルスベースのSPEEDでトレーニングされたEDモデルが、サルポックス、ジカ、デングの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。
さらに,本フレームワークによる抽出イベントの急激な増加は,WHOのMonkeypox流行宣言より4～9週間早く警告できることを示した。
この枠組みの実用性は、新興の流行に対するより良い準備の基盤を築き上げている。
関連論文リスト
- SPEED++: A Multilingual Event Extraction Framework for Epidemic Prediction and Preparedness [73.73883111570458]
多様な疾患や言語に対する流行イベント情報を抽出する,最初の多言語イベント抽出フレームワークを提案する。
各言語でデータに注釈を付けることは不可能であり、ゼロショット・クロスランガル・クロス・ディスリーズ・モデルを開発する。
われわれのフレームワークは、2019年12月初旬に中国のWeiboポストから、中国でのトレーニングなしに、新型コロナウイルスの流行を警告することができる。
論文 参考訳（メタデータ） (2024-10-24T03:03:54Z) - Modeling the amplification of epidemic spread by misinformed populations [41.31724592098777]
我々は、大規模で移動性に富んだ物理的接触ネットワークと、ソーシャルメディアデータから派生した郡にまたがる誤情報による個人分布を組み込んだ疫病モデルを用いている。
新型コロナウイルスの感染拡大に伴い、米国人口の14%が感染する恐れがある。
論文 参考訳（メタデータ） (2024-02-17T18:01:43Z) - Epidemic outbreak prediction using machine learning models [0.0]
本稿では, アメリカ合衆国ニューヨーク州における流行の流行(インフルエンザ, 肝炎, マラリア)を, 機械学習とディープラーニングのアルゴリズムを用いて予測する。
このアルゴリズムは、過去のデータを使って5週間のケース数を予測します。
グーグル検索トレンド、社会メディアデータ、気象データなどの非臨床要因も、アウトブレイクの確率を予測するために使われてきた。
論文 参考訳（メタデータ） (2023-10-30T17:28:44Z) - 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) - 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) - #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) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳（メタデータ） (2020-09-23T22:35:43Z) - 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) - Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。
実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文 参考訳（メタデータ） (2020-06-05T02:04:25Z)
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。