論文の概要: SABIA: An AI-Powered Tool for Detecting Opioid-Related Behaviors on Social Media

• arxiv url: http://arxiv.org/abs/2508.10046v1
• Date: Tue, 12 Aug 2025 06:52:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.047479
• Title: SABIA: An AI-Powered Tool for Detecting Opioid-Related Behaviors on Social Media
• Title（参考訳）: SABIA: ソーシャルメディア上のオピオイド関連行動を検出するAIツール
• Authors: Muhammad Ahmad, Fida Ullah, Muhammad Usman, Ildar Batyrshin, Grigori Sidorov,
• Abstract要約: ソーシャルメディアプラットフォームは、患者の行動、薬物使用、メンタルヘルス問題に関する洞察を提供することによって、公衆衛生上の課題を理解するための貴重なツールとなっている。 本研究では,ソーシャルメディアにおけるオピオイド関連ユーザ行動の問題に対処する。 Redditの投稿から新しいデータセットが構築され、Dealers、Active Opioid Users、Recovered Users、Prescription Users、Non-Usersという5つのクラスでオピオイドユーザーの振る舞いを識別した。 その結果、SABIAはベンチマーク性能を達成し、ベースライン(ロジスティック回帰、LR = 0.86)を上回り、精度を向上した。
• 参考スコア（独自算出の注目度）: 5.191923980821674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social media platforms have become valuable tools for understanding public health challenges by offering insights into patient behaviors, medication use, and mental health issues. However, analyzing such data remains difficult due to the prevalence of informal language, slang, and coded communication, which can obscure the detection of opioid misuse. This study addresses the issue of opioid-related user behavior on social media, including informal expressions, slang terms, and misspelled or coded language. We analyzed the existing Bidirectional Encoder Representations from Transformers (BERT) technique and developed a BERT-BiLSTM-3CNN hybrid deep learning model, named SABIA, to create a single-task classifier that effectively captures the features of the target dataset. The SABIA model demonstrated strong capabilities in capturing semantics and contextual information. The proposed approach includes: (1) data preprocessing, (2) data representation using the SABIA model, (3) a fine-tuning phase, and (4) classification of user behavior into five categories. A new dataset was constructed from Reddit posts, identifying opioid user behaviors across five classes: Dealers, Active Opioid Users, Recovered Users, Prescription Users, and Non-Users, supported by detailed annotation guidelines. Experiments were conducted using supervised learning. Results show that SABIA achieved benchmark performance, outperforming the baseline (Logistic Regression, LR = 0.86) and improving accuracy by 9.30%. Comparisons with seven previous studies confirmed its effectiveness and robustness. This study demonstrates the potential of hybrid deep learning models for detecting complex opioid-related behaviors on social media, supporting public health monitoring and intervention efforts.
• Abstract（参考訳）: ソーシャルメディアプラットフォームは、患者の行動、薬物使用、メンタルヘルス問題に関する洞察を提供することによって、公衆衛生上の課題を理解するための貴重なツールとなっている。 しかし, 非公式言語やスラング, 符号化通信が普及し, オピオイド誤用の検出が曖昧になるため, このようなデータ分析は依然として困難である。 本研究では,ソーシャルメディアにおけるオピオイド関連ユーザ行動の問題に対処する。 本研究では,既存の変換器(BERT)による双方向エンコーダ表現を解析し,BERT-BiLSTM-3CNNハイブリッドディープラーニングモデルSABIAを開発した。 SABIAモデルは意味論と文脈情報をキャプチャする強力な能力を示した。 提案手法は,(1)データ前処理,(2)SABIAモデルを用いたデータ表現,(3)微調整フェーズ,(4)ユーザの動作を5つのカテゴリに分類する。 Redditの投稿から新しいデータセットが構築され、Dealers、Active Opioid Users、Recovered Users、Prescription Users、Non-Usersという5つのクラスでオピオイドユーザーの振る舞いを識別した。 教師付き学習を用いて実験を行った。 その結果、SABIAはベンチマーク性能を達成し、ベースライン(ロジスティック回帰、LR = 0.86)を上回り、精度を9.30%向上した。 従来の7つの研究との比較により、その有効性と堅牢性が確認された。 本研究では,ソーシャルメディア上での複雑なオピオイド関連行動を検出し,公衆衛生モニタリングと介入活動を支援するためのハイブリッドディープラーニングモデルの可能性を示す。

関連論文リスト

• Reddit-Impacts: A Named Entity Recognition Dataset for Analyzing Clinical and Social Effects of Substance Use Derived from Social Media [6.138126219622993]
  物質利用障害(SUD)は、データ駆動研究を通じて、問題とそのトレンドの理解を深める必要がある、世界的な関心事である。 ソーシャルメディアは、SUDに関するユニークな重要な情報源であり、特にそのような情報源のデータは、生きた経験を持つ人々によってしばしば生成されるためである。 本稿では,処方と違法なオピオイド,およびオピオイド使用障害の薬物に関する議論を専門とするサブレディットからキュレートされた,難解な名前付きエンティティ認識(NER)データセットであるReddit-Impactsを紹介する。 このデータセットは、研究の少ないが重要な、物質利用の側面に特に焦点を絞っている。
  論文  参考訳（メタデータ） (2024-05-09T23:43:57Z)
• Explainable Depression Symptom Detection in Social Media [2.677715367737641]
  本稿では, トランスフォーマーアーキテクチャを用いて, ユーザの文章中の抑うつ症状マーカーの出現を検知し, 説明する。 我々の自然言語による説明により、臨床医はバリデーションされた症状に基づいてモデルの判断を解釈できる。
  論文  参考訳（メタデータ） (2023-10-20T17:05:27Z)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• 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)
• Drug-Drug Interaction Prediction with Wasserstein Adversarial Autoencoder-based Knowledge Graph Embeddings [22.562175708415392]
  薬物・薬物相互作用のための知識グラフ埋め込みフレームワークを提案する。 本フレームワークでは, 高品質な負のサンプルを生成するために, オートエンコーダを用いる。 判別器は、正三重項と負三重項の両方に基づいて薬物と相互作用の埋め込みを学習する。
  論文  参考訳（メタデータ） (2020-04-15T21:03:29Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。