論文の概要: The Promise of Large Language Models in Digital Health: Evidence from Sentiment Analysis in Online Health Communities

• arxiv url: http://arxiv.org/abs/2508.14032v1
• Date: Tue, 19 Aug 2025 17:54:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:32.038122
• Title: The Promise of Large Language Models in Digital Health: Evidence from Sentiment Analysis in Online Health Communities
• Title（参考訳）: デジタルヘルスにおける大規模言語モデルの約束--オンライン健康コミュニティにおけるセンチメント分析から
• Authors: Xiancheng Li, Georgios D. Karampatakis, Helen E. Wood, Chris J. Griffiths, Borislava Mihaylova, Neil S. Coulson, Alessio Pasinato, Pietro Panzarasa, Marco Viviani, Anna De Simoni,
• Abstract要約: 大規模言語モデル(LLM)は、感覚分析のためのコンテキスト内学習を通じて専門家の知識を統合することができる。 LLMは専門家レベルの合意を示しながら優れたパフォーマンスを達成する。 このアプローチは、デジタルヘルス研究における専門家の知識不足に対する重要な課題に対処する。
• 参考スコア（独自算出の注目度）: 0.9737125708599035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital health analytics face critical challenges nowadays. The sophisticated analysis of patient-generated health content, which contains complex emotional and medical contexts, requires scarce domain expertise, while traditional ML approaches are constrained by data shortage and privacy limitations in healthcare settings. Online Health Communities (OHCs) exemplify these challenges with mixed-sentiment posts, clinical terminology, and implicit emotional expressions that demand specialised knowledge for accurate Sentiment Analysis (SA). To address these challenges, this study explores how Large Language Models (LLMs) can integrate expert knowledge through in-context learning for SA, providing a scalable solution for sophisticated health data analysis. Specifically, we develop a structured codebook that systematically encodes expert interpretation guidelines, enabling LLMs to apply domain-specific knowledge through targeted prompting rather than extensive training. Six GPT models validated alongside DeepSeek and LLaMA 3.1 are compared with pre-trained language models (BioBERT variants) and lexicon-based methods, using 400 expert-annotated posts from two OHCs. LLMs achieve superior performance while demonstrating expert-level agreement. This high agreement, with no statistically significant difference from inter-expert agreement levels, suggests knowledge integration beyond surface-level pattern recognition. The consistent performance across diverse LLM models, supported by in-context learning, offers a promising solution for digital health analytics. This approach addresses the critical challenge of expert knowledge shortage in digital health research, enabling real-time, expert-quality analysis for patient monitoring, intervention assessment, and evidence-based health strategies.
• Abstract（参考訳）: 近年、デジタル健康分析は重大な課題に直面している。 複雑な感情的および医療的コンテキストを含む患者生成の健康コンテンツに関する高度な分析には、ドメインの専門知識が不足する一方で、従来のMLアプローチは、医療設定におけるデータ不足とプライバシー制限によって制約される。 オンライン健康コミュニティ(OHCs)は、これらの課題を、混合感性ポスト、臨床用語、そして、正確な感性分析(SA)のための専門知識を要求する暗黙の感情表現で実証している。 これらの課題に対処するために、大規模言語モデル(LLM)がSAの文脈内学習を通じて専門家の知識を統合する方法について検討し、洗練された健康データ分析のためのスケーラブルなソリューションを提供する。 具体的には、専門家の解釈ガイドラインを体系的にエンコードする構造化コードブックを開発し、LLMが広範囲な訓練ではなく、ターゲットプロンプトを通じてドメイン固有の知識を適用できるようにする。 DeepSeekとLLaMA 3.1と共に検証された6つのGPTモデルは、事前訓練された言語モデル(BioBERTの変種)とレキシコンベースの手法と比較され、2つのOHCから400のエキスパートアノテートされたポストを使用する。 LLMは専門家レベルの合意を示しながら優れたパフォーマンスを達成する。 この高い合意は、専門家間の合意レベルと統計的に有意な違いはないが、表面レベルのパターン認識以上の知識の統合を示唆している。 コンテキスト内学習がサポートする多様なLLMモデル間の一貫したパフォーマンスは、デジタルヘルス分析に有望なソリューションを提供する。 このアプローチは、デジタルヘルス研究における専門家の知識不足に対する重要な課題に対処し、患者モニタリング、介入評価、エビデンスベースの健康戦略のための、リアルタイムで専門家の質の高い分析を可能にする。

関連論文リスト

• Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
  医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。 本稿は、この新興分野に関する最初の体系的なレビューを提供する。 本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-01T14:41:31Z)
• Decoding Rarity: Large Language Models in the Diagnosis of Rare Diseases [1.9662978733004604]
  大型言語モデル(LLM)は稀な疾患研究を変革する有望な能力を示している。 本稿では,レアな疾患の解析におけるLSMの統合について検討し,重要な進歩と重要な研究を取り上げる。
  論文  参考訳（メタデータ） (2025-05-18T15:42:15Z)
• Towards Artificial Intelligence Research Assistant for Expert-Involved Learning [64.7438151207189]
  大規模言語モデル (LLMs) と大規模多モードモデル (LMMs) は科学研究における変革的ツールとして登場している。 textbfExpert-involved textbfLearning (ARIEL)のためのtextbfARtificial textbfIntelligence Research Assistantを提案する。
  論文  参考訳（メタデータ） (2025-05-03T14:21:48Z)
• Can LLMs Support Medical Knowledge Imputation? An Evaluation-Based Perspective [1.4913052010438639]
  我々は,Large Language Models (LLMs) を用いて,欠落した治療関係を計算した。 LLMは、知識増強において有望な能力を提供するが、医療知識計算におけるそれらの応用は、重大なリスクをもたらす。 本研究は, 臨床ガイドラインの不整合, 患者の安全性への潜在的なリスクなど, 重大な限界を指摘した。
  論文  参考訳（メタデータ） (2025-03-29T02:52:17Z)
• Expertise Is What We Want [0.0]
  アプリケーションアーキテクチャ、LLE(Large Language Expert)は、LLM(Large Language Models)の柔軟性とパワーと、Expert Systemsの解釈可能性、説明可能性、信頼性を組み合わせたものです。 LLE(Large Language Expert)システムのパワーを強調するために,新たに癌と診断された患者の作業を支援するLLEを構築した。
  論文  参考訳（メタデータ） (2025-02-27T18:05:15Z)
• Conversation AI Dialog for Medicare powered by Finetuning and Retrieval Augmented Generation [0.0]
  大きな言語モデル(LLM)は、対話生成を含む自然言語処理タスクにおいて印象的な機能を示している。 本研究の目的は、LoRAによる微調整とRetrieval-Augmented Generationフレームワークという、2つの重要な技術の比較分析を行うことである。
  論文  参考訳（メタデータ） (2025-02-04T11:50:40Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• IntelliCare: Improving Healthcare Analysis with Variance-Controlled Patient-Level Knowledge from Large Language Models [14.709233593021281]
  LLM(Large Language Models)からの外部知識の統合は、医療予測を改善するための有望な道を示す。 我々は,LLMを活用して高品質な患者レベルの外部知識を提供する新しいフレームワークであるIntelliCareを提案する。 IntelliCareは患者のコホートを特定し、LCMの理解と生成を促進するためにタスク関連統計情報を利用する。
  論文  参考訳（メタデータ） (2024-08-23T13:56:00Z)
• RuleAlign: Making Large Language Models Better Physicians with Diagnostic Rule Alignment [54.91736546490813]
  本稿では,大規模言語モデルと特定の診断規則との整合性を考慮したルールアラインフレームワークを提案する。 患者と医師間の規則に基づくコミュニケーションを含む医療対話データセットを開発した。 実験の結果,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-08-22T17:44:40Z)
• Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
  本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。 我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。 本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
  論文  参考訳（メタデータ） (2023-02-11T18:07:11Z)

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。