論文の概要: Systematic Classification of Studies Investigating Social Media Conversations about Long COVID Using a Novel Zero-Shot Transformer Framework
- arxiv url: http://arxiv.org/abs/2503.11845v1
- Date: Fri, 14 Mar 2025 20:13:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-18 12:35:57.187173
- Title: Systematic Classification of Studies Investigating Social Media Conversations about Long COVID Using a Novel Zero-Shot Transformer Framework
- Title（参考訳）: 新規ゼロショットトランスを用いた長期新型コロナウイルスに関するソーシャルメディア会話研究の体系的分類
- Authors: Nirmalya Thakur, Niven Francis Da Guia Fernandes, Madje Tobi Marc'Avent Tchona,
- Abstract要約: 新型コロナウイルスは、SARS-CoV-2感染から回復したかなりの数の個人に影響を及ぼすことで、公衆衛生に挑戦し続けている。
ソーシャルメディアは、リアルタイム情報、ピアサポート、Long COVIDに関連する健康上の懸念の検証を求める人々にとって、重要なリソースとして浮上している。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Long COVID continues to challenge public health by affecting a considerable number of individuals who have recovered from acute SARS-CoV-2 infection yet endure prolonged and often debilitating symptoms. Social media has emerged as a vital resource for those seeking real-time information, peer support, and validating their health concerns related to Long COVID. This paper examines recent works focusing on mining, analyzing, and interpreting user-generated content on social media platforms to capture the broader discourse on persistent post-COVID conditions. A novel transformer-based zero-shot learning approach serves as the foundation for classifying research papers in this area into four primary categories: Clinical or Symptom Characterization, Advanced NLP or Computational Methods, Policy Advocacy or Public Health Communication, and Online Communities and Social Support. This methodology achieved an average confidence of 0.7788, with the minimum and maximum confidence being 0.1566 and 0.9928, respectively. This model showcases the ability of advanced language models to categorize research papers without any training data or predefined classification labels, thus enabling a more rapid and scalable assessment of existing literature. This paper also highlights the multifaceted nature of Long COVID research by demonstrating how advanced computational techniques applied to social media conversations can reveal deeper insights into the experiences, symptoms, and narratives of individuals affected by Long COVID.
- Abstract（参考訳）: 新型コロナウイルスは、SARS-CoV-2の急性感染から回復したが、長期間持続し、しばしば症状を悪化させることで、公衆衛生への挑戦を続けている。
ソーシャルメディアは、リアルタイム情報、ピアサポート、Long COVIDに関連する健康上の懸念の検証を求める人々にとって、重要なリソースとして浮上している。
本稿では,ソーシャルメディアプラットフォーム上でのユーザ生成コンテンツのマイニング,分析,解釈に焦点をあてた最近の研究成果について述べる。
新たなトランスフォーマーベースのゼロショット学習アプローチは、この領域における研究論文を、臨床または症状評価、高度なNLPまたは計算方法、政策アドボケーションまたは公衆衛生コミュニケーション、オンラインコミュニティと社会サポートの4つのカテゴリに分類する基盤となっている。
この手法は平均信頼率0.7788を達成し、最小信頼度0.1566と最大信頼度0.9928をそれぞれ達成した。
このモデルは、学習データや事前定義された分類ラベルを使わずに研究論文を分類する高度な言語モデルの可能性を示し、既存の文献をより迅速かつスケーラブルに評価することを可能にする。
本稿は、Long COVID研究の多面的な性質を、ソーシャルメディアの会話に応用された高度な計算技術が、Long COVIDの影響を受けた個人の経験、症状、物語に対する深い洞察を明らかにすることによって強調する。
関連論文リスト
- LlaMADRS: Prompting Large Language Models for Interview-Based Depression Assessment [75.44934940580112]
LlaMADRSは、オープンソースのLarge Language Models(LLM)を利用して、うつ病の重症度評価を自動化する新しいフレームワークである。
本研究は,クリニカルインタヴューの解釈・スコアリングにおけるモデル指導のために,慎重に設計された手がかりを用いたゼロショットプロンプト戦略を用いている。
実世界における236件のインタビューを対象とし,臨床評価と強い相関性を示した。
論文 参考訳（メタデータ） (2025-01-07T08:49:04Z) - Decade of Natural Language Processing in Chronic Pain: A Systematic Review [0.0]
慢性痛におけるNLPの約束にもかかわらず、文献は様々な分野に分散している。
本総説は、慢性痛研究におけるNLPによる介入研究の現状について検討することを目的とする。
論文 参考訳（メタデータ） (2024-12-19T19:46:09Z) - Two-Layer Retrieval-Augmented Generation Framework for Low-Resource Medical Question Answering Using Reddit Data: Proof-of-Concept Study [4.769236554995528]
本稿では、健康関連トピックに関連する新たな問題に答える医療質問に対する検索強化世代アーキテクチャを提案する。
筆者らのフレームワークは,大量のユーザ生成ソーシャルメディアデータから医療質問に回答するために,個別の要約と集約された要約を生成する。
GPT-4 と Nous-Hermes-2-7B-DPO を用いて評価すると, 関連性, 長さ, 幻覚, 包括性, コヒーレンスに比較して高いスコアが得られた。
論文 参考訳（メタデータ） (2024-05-29T20:56:52Z) - SMP Challenge: An Overview and Analysis of Social Media Prediction Challenge [63.311045291016555]
ソーシャルメディアの人気予測(SMPP)は、オンライン投稿の今後の人気値を自動予測する重要なタスクである。
本稿では,課題,データ,研究の進展について要約する。
論文 参考訳（メタデータ） (2024-05-17T02:36:14Z) - Multi-class Categorization of Reasons behind Mental Disturbance in Long
Texts [0.0]
我々はLongformerを用いて、自己報告されたテキストで精神疾患の背景にある因果指標を見つける問題に対処する。
実験によると、Longformerは62%のF1スコアを持つ公開データセットであるM-CAMSで、最先端の新たな結果を達成している。
我々の研究は、うつ病や自殺リスクの因果分析をソーシャルメディアデータ上で促進し、他の精神状態に適用する可能性を示していると信じている。
論文 参考訳（メタデータ） (2023-04-08T22:44:32Z) - Semantic Similarity Models for Depression Severity Estimation [53.72188878602294]
本稿では、ソーシャルメディアの文章に基づいて、個人のうつ病の重症度を研究するための効率的なセマンティックパイプラインを提案する。
我々は,抑うつ症状と重度レベルに対応する代表訓練文の指標に対して意味的ランキングを生成するために,テストユーザ文を使用する。
本手法を2つのRedditベースのベンチマークで評価し,うつ病の重症度を指標として,最先端技術よりも30%改善した。
論文 参考訳（メタデータ） (2022-11-14T18:47:26Z) - Aggression and "hate speech" in communication of media users: analysis
of control capabilities [50.591267188664666]
著者らは新メディアにおける利用者の相互影響の可能性を検討した。
新型コロナウイルス(COVID-19)対策として、緊急の社会問題について議論する際、攻撃やヘイトスピーチのレベルが高いことが分かった。
結果は、現代のデジタル環境におけるメディアコンテンツの開発に有用である。
論文 参考訳（メタデータ） (2022-08-25T15:53:32Z) - MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。
我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
論文 参考訳（メタデータ） (2020-11-17T15:18:38Z) - Assessing the Severity of Health States based on Social Media Posts [62.52087340582502]
ユーザの健康状態の重症度を評価するために,テキストコンテンツとコンテキスト情報の両方をモデル化する多視点学習フレームワークを提案する。
多様なNLUビューは、ユーザの健康を評価するために、タスクと個々の疾患の両方に効果を示す。
論文 参考訳（メタデータ） (2020-09-21T03:45:14Z) - Beyond Social Media Analytics: Understanding Human Behaviour and Deep
Emotion using Self Structuring Incremental Machine Learning [1.2487990897680423]
この論文は、人間の社会的行動、ニーズ、認知の階層の表層を表わすものとして、社会的データを考慮した概念的枠組みを発展させている。
速いペースと遅いペースのソーシャルデータから洞察を得るために、2つのプラットフォームが構築された。
論文 参考訳（メタデータ） (2020-09-05T14:53:26Z) - Digital personal health libraries: a systematic literature review [15.392783869176778]
本稿では,デジタル・パーソナル・ヘルス・ライブラリ(PHL)の開発に関する最近の文献について述べる。
多様な臨床専門分野における消費者健康情報学の潜在的な応用に関する洞察を提供する。
論文 参考訳（メタデータ） (2020-06-21T01:11:38Z)
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。