論文の概要: Clarifying Misconceptions in COVID-19 Vaccine Sentiment and Stance Analysis and Their Implications for Vaccine Hesitancy Mitigation: A Systematic Review

• arxiv url: http://arxiv.org/abs/2503.18095v1
• Date: Sun, 23 Mar 2025 14:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:40:05.894291
• Title: Clarifying Misconceptions in COVID-19 Vaccine Sentiment and Stance Analysis and Their Implications for Vaccine Hesitancy Mitigation: A Systematic Review
• Title（参考訳）: ワクチン感受性とスタンス分析における誤解の解明とワクチン中毒軽減への意義 : システムレビュー
• Authors: Lorena G Barberia, Belinda Lombard, Norton Trevisan Roman, Tatiane C. M. Sousa,
• Abstract要約: 本研究の目的は、感情分析やスタンス検出を用いた研究の体系的レビューを行い、Twitter上でワクチンのヘシタシーを研究することである。 本研究は, ツイートサンプル選択アプローチ, 自己報告型, 分類型, 結果の解釈の5次元の分類法に基づいて, 研究を分類した。 我々は、新型コロナウイルスワクチンやワクチン接種に対する感情や姿勢を分析するために教師付き機械学習を用いた研究において、測定バイアスが広く用いられていることを発見した。
• 参考スコア（独自算出の注目度）: 0.22499166814992436
• License:
• Abstract: Background Advances in machine learning (ML) models have increased the capability of researchers to detect vaccine hesitancy in social media using Natural Language Processing (NLP). A considerable volume of research has identified the persistence of COVID-19 vaccine hesitancy in discourse shared on various social media platforms. Methods Our objective in this study was to conduct a systematic review of research employing sentiment analysis or stance detection to study discourse towards COVID-19 vaccines and vaccination spread on Twitter (officially known as X since 2023). Following registration in the PROSPERO international registry of systematic reviews, we searched papers published from 1 January 2020 to 31 December 2023 that used supervised machine learning to assess COVID-19 vaccine hesitancy through stance detection or sentiment analysis on Twitter. We categorized the studies according to a taxonomy of five dimensions: tweet sample selection approach, self-reported study type, classification typology, annotation codebook definitions, and interpretation of results. We analyzed if studies using stance detection report different hesitancy trends than those using sentiment analysis by examining how COVID-19 vaccine hesitancy is measured, and whether efforts were made to avoid measurement bias. Results Our review found that measurement bias is widely prevalent in studies employing supervised machine learning to analyze sentiment and stance toward COVID-19 vaccines and vaccination. The reporting errors are sufficiently serious that they hinder the generalisability and interpretation of these studies to understanding whether individual opinions communicate reluctance to vaccinate against SARS-CoV-2. Conclusion Improving the reporting of NLP methods is crucial to addressing knowledge gaps in vaccine hesitancy discourse.
• Abstract（参考訳）: 機械学習(ML)モデルの背景にある進歩は、研究者が自然言語処理(NLP)を用いてソーシャルメディアでワクチンヘシタシーを検出する能力を高めている。 多くの研究が、さまざまなソーシャルメディアプラットフォームで共有される談話において、新型コロナウイルスワクチンの欠如が持続していることを特定している。 本研究の目的は、感情分析やスタンス検出を用いた研究を体系的に検討し、2023年以降にTwitter上で拡散した新型コロナウイルスワクチンとワクチン接種に関する言論を調査することであった。 我々は,2020年1月1日から2023年12月31日までに公表された論文を検索し,教師付き機械学習を用いて,Twitter上でのスタンス検出や感情分析を通じて,新型コロナウイルスの感染状況を評価する。 本研究は, ツイートサンプル選択アプローチ, 自己報告型, 分類型, アノテーションコードブック定義, 結果の解釈の5次元の分類法に基づいて分類した。 スタンス検出レポートを用いた研究は, 感情分析を用いた研究と異なる傾向を示し, ウイルスワクチンのヘシタシーの測定方法, 測定バイアスの回避に向けた取り組みについて検討した。 結果】新型コロナウイルスワクチンやワクチン接種に対する感情と姿勢を教師付き機械学習を用いて分析した結果,測定バイアスが広く普及していることが明らかとなった。 報告ミスは,SARS-CoV-2に対するワクチン接種を個別の意見が伝達するかどうかを理解するために,これらの研究の一般性や解釈を妨げるほど深刻である。 結論 NLP 手法の報告の改善は,ワクチンヘシタシー談話における知識ギャップの解消に不可欠である。

関連論文リスト

• De-identification of clinical free text using natural language processing: A systematic review of current approaches [48.343430343213896]
  自然言語処理は、その非識別プロセスの自動化の可能性を繰り返し示してきた。 本研究の目的は,過去13年間に臨床自由テキストの非識別化が進展したことを示す体系的な証拠を提供することである。
  論文  参考訳（メタデータ） (2023-11-28T13:20:41Z)
• Examining Temporalities on Stance Detection towards COVID-19 Vaccination [3.2719621666321412]
  新型コロナウイルスのワクチン接種に対する態度は、ソーシャルメディア上で長年にわたって進化してきた。 本研究の目的は、時間的コンセプトドリフトがTwitter上での新型コロナウイルスワクチン接種に対する姿勢検出に与える影響を検討することである。
  論文  参考訳（メタデータ） (2023-04-10T18:31:26Z)
• Dense Feature Memory Augmented Transformers for COVID-19 Vaccination Search Classification [60.49594822215981]
  本稿では,新型コロナウイルスワクチン関連検索クエリの分類モデルを提案する。 本稿では,モデルが対応可能なメモリトークンとして,高密度特徴を考慮した新しい手法を提案する。 この新しいモデリング手法により,Vaccine Search Insights (VSI) タスクを大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2022-12-16T13:57:41Z)
• Doctors vs. Nurses: Understanding the Great Divide in Vaccine Hesitancy among Healthcare Workers [64.1526243118151]
  医者は新型コロナウイルスワクチンに対して全体的に陽性であることがわかりました。 医師は新型ワクチンよりもワクチンの有効性を懸念している。 看護婦は子供に対する潜在的な副作用にもっと注意を払う。
  論文  参考訳（メタデータ） (2022-09-11T14:22:16Z)
• Deep Learning Reveals Patterns of Diverse and Changing Sentiments Towards COVID-19 Vaccines Based on 11 Million Tweets [3.319350419970857]
  11,211,672人の新型コロナウイルス関連ツイートを2年間で2,203,681人を対象に分析した。 我々は、各ツイートの感情を自動的に検出するために、最先端モデルであるXLNetを用いてディープラーニング分類器を微調整した。 さまざまな人口集団のユーザーは、新型コロナウイルスワクチンに対する感情の異なるパターンを示した。
  論文  参考訳（メタデータ） (2022-07-05T13:53:16Z)
• 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)
• Modeling the effect of the vaccination campaign on the Covid-19 pandemic [0.0]
  予防接種キャンペーン中にコビッドウイルスの流行を予測できる数学的モデルであるSAIVRを紹介した。 このモデルは、半教師付き機械学習手法を用いて推定されるいくつかのパラメータと初期条件を含む。 これらの結果から, 日中感染率, ワクチン有効性, および, 広範囲の社会的ワクチン依存度, デンタルレベルにおいて, パンデミックの経時的変化について広範な研究を行った。
  論文  参考訳（メタデータ） (2021-08-27T19:12:13Z)
• Automatic Detection of COVID-19 Vaccine Misinformation with Graph Link Prediction [2.0625936401496237]
  新型コロナウイルス(COVID-19)ワクチンに関するソーシャルメディアの誤報によって引き起こされたワクチンのヘシタシーは、大きなハードルとなった。 CoVaxLiesは、新型コロナウイルスワクチンに関するいくつかの誤報のターゲットに関連する、新しいツイートのデータセットである。 本手法は,誤情報検出をグラフリンク予測問題として用いた誤情報知識グラフにCoVaxLiesを整理する。
  論文  参考訳（メタデータ） (2021-08-04T23:27:10Z)
• Classification supporting COVID-19 diagnostics based on patient survey data [82.41449972618423]
  新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。 得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。 このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
  論文  参考訳（メタデータ） (2020-11-24T17:44:01Z)
• Understanding the temporal evolution of COVID-19 research through machine learning and natural language processing [66.63200823918429]
  重症急性呼吸器症候群2号(SARS-CoV-2)による新型コロナウイルス感染症(COVID-19)の流行は、世界中の人々の生活や社会に影響を与え続けている。 私たちは複数のデータソース、すなわちPubMedとArXivを使用し、現在のCOVID-19研究の風景を特徴づけるために、いくつかの機械学習モデルを構築しました。 調査の結果,PubMedとArXivで利用可能な研究の種類は異なることが確認された。
  論文  参考訳（メタデータ） (2020-07-22T18:02:39Z)
• Mapping the Landscape of Artificial Intelligence Applications against COVID-19 [59.30734371401316]
  世界保健機関(WHO)は、SARS-CoV-2ウイルスによる新型コロナウイルスの感染をパンデミックと宣言した。 我々は、機械学習と、より広範に、人工知能を用いた最近の研究の概要を、新型コロナウイルス危機の多くの側面に取り組むために提示する。
  論文  参考訳（メタデータ） (2020-03-25T12:30:33Z)

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。