論文の概要: A Weak Supervision Approach for Monitoring Recreational Drug Use Effects in Social Media

• arxiv url: http://arxiv.org/abs/2509.15266v1
• Date: Thu, 18 Sep 2025 09:42:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.833687
• Title: A Weak Supervision Approach for Monitoring Recreational Drug Use Effects in Social Media
• Title（参考訳）: ソーシャルメディアにおけるレクリエーション薬物使用効果モニタリングのための弱監視手法
• Authors: Lucía Prieto-Santamaría, Alba Cortés Iglesias, Claudio Vidal Giné, Fermín Fernández Calderón, Óscar M. Lozano, Alejandro Rodríguez-González,
• Abstract要約: 我々は、ソーシャルメディア(特にTwitter)を、エキスタシー、GHB、および2C-Bという3つの新しい精神活性物質に関連する、ユーザーによって報告された効果のリッチで未報告の源として活用する。 MetaMapによるバイオメディカルな概念抽出とスラング用語のキュレートされたリストを組み合わせることで、これらの物質に言及する92,000以上のツイートを特定し、弱く注釈づけした。
• 参考スコア（独自算出の注目度）: 35.18016233072556
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Understanding the real-world effects of recreational drug use remains a critical challenge in public health and biomedical research, especially as traditional surveillance systems often underrepresent user experiences. In this study, we leverage social media (specifically Twitter) as a rich and unfiltered source of user-reported effects associated with three emerging psychoactive substances: ecstasy, GHB, and 2C-B. By combining a curated list of slang terms with biomedical concept extraction via MetaMap, we identified and weakly annotated over 92,000 tweets mentioning these substances. Each tweet was labeled with a polarity reflecting whether it reported a positive or negative effect, following an expert-guided heuristic process. We then performed descriptive and comparative analyses of the reported phenotypic outcomes across substances and trained multiple machine learning classifiers to predict polarity from tweet content, accounting for strong class imbalance using techniques such as cost-sensitive learning and synthetic oversampling. The top performance on the test set was obtained from eXtreme Gradient Boosting with cost-sensitive learning (F1 = 0.885, AUPRC = 0.934). Our findings reveal that Twitter enables the detection of substance-specific phenotypic effects, and that polarity classification models can support real-time pharmacovigilance and drug effect characterization with high accuracy.
• Abstract（参考訳）: レクリエーション薬の使用が現実世界に与える影響を理解することは、公衆衛生や生物医学研究において重要な課題であり、特に伝統的な監視システムはユーザー体験を過小評価することが多い。 本研究では、ソーシャルメディア(特にTwitter)を、エクスタシー、GHB、および2C-Bの3つの新規精神活性物質に関連する、ユーザ報告された効果のリッチで未ろ過した源として活用する。 MetaMapによるバイオメディカルな概念抽出とスラング用語のキュレートされたリストを組み合わせることで、これらの物質に言及する92,000以上のツイートを特定し、弱く注釈づけした。 各ツイートには、専門家が指導するヒューリスティックなプロセスに従って、肯定的あるいは否定的な効果を報告したかどうかを反映した極性がラベル付けされた。 次に,物質間で報告された表現型結果の記述的および比較分析を行い,複数の機械学習分類器を訓練して,ツイート内容から極性を予測し,コスト感受性学習や合成オーバーサンプリングといった手法を用いて,強いクラス不均衡を考慮に入れた。 テストセットの最高性能は,コスト感受性学習によるeXtreme Gradient Boosting(F1 = 0.885, AUPRC = 0.934)から得られた。 以上の結果から,Twitterは物質特異的な表現型効果の検出を可能にし,極性分類モデルがリアルタイムの薬物移動と薬物効果評価を高精度に支援できることが判明した。

関連論文リスト

• Mitigating Multimodal Hallucinations via Gradient-based Self-Reflection [49.26064449816502]
  マルチモーダルな言語モデルにおける幻覚は、テキスト・視覚バイアスと共起バイアスによって引き起こされる。 勾配に基づく自己回帰法を用いて,各トークンの種類の影響を推定する。 我々の手法は、コストのかかる微調整、追加モデル、データ統計など、追加のリソースを必要とせずに動作します。
  論文  参考訳（メタデータ） (2025-09-03T08:13:52Z)
• Exploring Causal Effect of Social Bias on Faithfulness Hallucinations in Large Language Models [50.18087419133284]
  大規模言語モデル(LLM)は様々なタスクで顕著な成功を収めたが、忠実な幻覚に弱いままである。 社会的偏見がこれらの幻覚に寄与するかどうかを考察する。 重要な課題は、バイアス状態と幻覚の間の因果関係の分離を複雑化する、コンテキスト内の共同創設者を制御することである。
  論文  参考訳（メタデータ） (2025-08-11T08:34:28Z)
• 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)
• "Hey..! This medicine made me sick": Sentiment Analysis of User-Generated Drug Reviews using Machine Learning Techniques [2.2874754079405535]
  本研究は、特定の薬物に関するユーザレビューを、ポジティブ、ネガティブ、中立などの異なるクラスに分類する薬物レビュー分類システムを提案する。 収集されたデータは手動でラベル付けされ、ラベルが正しいことを保証するために手動で検証される。
  論文  参考訳（メタデータ） (2024-04-09T08:42:34Z)
• HalluciDoctor: Mitigating Hallucinatory Toxicity in Visual Instruction Data [102.56792377624927]
  機械生成データに固有の幻覚は未発見のままである。 本稿では,クロスチェックパラダイムに基づく新しい幻覚検出・除去フレームワークであるHaluciDoctorを提案する。 LLaVAに比べて44.6%の幻覚を緩和し,競争性能を維持した。
  論文  参考訳（メタデータ） (2023-11-22T04:52:58Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
  両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。 実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-01-22T19:49:47Z)
• Predicting Individual Substance Abuse Vulnerability using Machine Learning Techniques [2.8101673772585736]
  物質乱用に対する個人の現在の脆弱性を特定するためのバイナリ分類器を提案する。 物質乱用の原因となる一般的な要因を慎重に評価し、作成したアンケートでデータを収集しています。 18の機能を備えたロジスティック回帰分類器は、最良の精度で個々の脆弱性を予測できます。
  論文  参考訳（メタデータ） (2020-12-09T05:21:05Z)
• 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)
• Utilizing Deep Learning to Identify Drug Use on Twitter Data [0.0]
  サポートベクトルマシン(SVM)、XGBoost、畳み込みニューラルネットワーク(CNN)に基づく分類器を含む複数の手法の分類能力を比較した。 精度は76.35%と82.31%で、AUCは0.90と0.91である。 合成されたセットはスコアを増やし、分類能力を改善し、この方法論の価値を証明した。
  論文  参考訳（メタデータ） (2020-03-08T07:52:40Z)

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。