論文の概要: HealthcareNLP: where are we and what is next?

• arxiv url: http://arxiv.org/abs/2512.08617v1
• Date: Tue, 09 Dec 2025 14:01:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.985344
• Title: HealthcareNLP: where are we and what is next?
• Title（参考訳）: HealthcareNLP: 私たちはどこにいて、次は何になるのでしょうか?
• Authors: Lifeng Han, Paul Rayson, Suzan Verberne, Andrew Moore, Goran Nenadic,
• Abstract要約: 本チュートリアルの目的は、患者およびリソース指向のヘルスケアNLPの最も重要なサブ領域について、入門的な概要を提供することである。 聴衆がHealthcareNLPアプリケーションを使用するためのチュートリアルにはハンズオンセッションが含まれている。
• 参考スコア（独自算出の注目度）: 17.864292280393297
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This proposed tutorial focuses on Healthcare Domain Applications of NLP, what we have achieved around HealthcareNLP, and the challenges that lie ahead for the future. Existing reviews in this domain either overlook some important tasks, such as synthetic data generation for addressing privacy concerns, or explainable clinical NLP for improved integration and implementation, or fail to mention important methodologies, including retrieval augmented generation and the neural symbolic integration of LLMs and KGs. In light of this, the goal of this tutorial is to provide an introductory overview of the most important sub-areas of a patient- and resource-oriented HealthcareNLP, with three layers of hierarchy: data/resource layer: annotation guidelines, ethical approvals, governance, synthetic data; NLP-Eval layer: NLP tasks such as NER, RE, sentiment analysis, and linking/coding with categorised methods, leading to explainable HealthAI; patients layer: Patient Public Involvement and Engagement (PPIE), health literacy, translation, simplification, and summarisation (also NLP tasks), and shared decision-making support. A hands-on session will be included in the tutorial for the audience to use HealthcareNLP applications. The target audience includes NLP practitioners in the healthcare application domain, NLP researchers who are interested in domain applications, healthcare researchers, and students from NLP fields. The type of tutorial is "Introductory to CL/NLP topics (HealthcareNLP)" and the audience does not need prior knowledge to attend this. Tutorial materials: https://github.com/4dpicture/HealthNLP
• Abstract（参考訳）: 提案するチュートリアルは、NLPのヘルスケアドメイン応用、ヘルスケアNLPに関する成果、今後の課題に焦点を当てている。 この領域の既存のレビューは、プライバシー問題に対処する合成データ生成や、統合と実装を改善するための説明可能な臨床NLPといった重要なタスクを見落としている。 データ/リソース層: ガイドラインガイドライン、倫理的承認、ガバナンス、合成データ、NLP-Eval層: NER、RE、感情分析、リンク/コーディングなどのNLPタスクは、説明可能なHealthAI、患者層: 患者公衆参加とエンゲージメント(PPIE)、健康リテラシー、翻訳、単純化、要約(NLPタスク)、共有意思決定サポートである。 聴衆がHealthcareNLPアプリケーションを使用するためのチュートリアルにはハンズオンセッションが含まれている。 対象者には、医療アプリケーションドメインのNLP実践者、ドメインアプリケーションに関心のあるNLP研究者、医療研究者、NLPフィールドの学生が含まれる。 チュートリアルのタイプは"CL/NLPトピックの入門(HealthcareNLP)"であり、聴衆はこれに出席するための事前知識を必要としない。 チュートリアル資料:https://github.com/4dpicture/HealthNLP

関連論文リスト

• What Can Natural Language Processing Do for Peer Review? [173.8912784451817]
  現代の科学ではピアレビューが広く使われているが、それは難しく、時間がかかり、エラーを起こしやすい。 ピアレビューに関わるアーティファクトは大部分がテキストベースであるため、自然言語処理はレビューを改善する大きな可能性を秘めている。 筆者らは、原稿提出からカメラ対応リビジョンまでの各工程について詳述し、NLP支援の課題と機会について論じる。
  論文  参考訳（メタデータ） (2024-05-10T16:06:43Z)
• Survey of Natural Language Processing for Education: Taxonomy, Systematic Review, and Future Trends [29.91962119984834]
  我々は、NLPの最近の進歩を、教育領域に関連する問題の解決に焦点をあててレビューする。 教育領域におけるNLPの分類について述べるとともに,質問応答,質問構築,自動評価,誤り訂正など,典型的なNLPの応用に注目した。 対象と言語に関する一般化、LLMベースの教育システムの導入、教育と学習のための適応学習、教育の解釈可能性、NLP技術の倫理的考察を含む今後の研究の5つの方向性を結論づける。
  論文  参考訳（メタデータ） (2024-01-15T07:48:42Z)
• Beyond Good Intentions: Reporting the Research Landscape of NLP for Social Good [115.1507728564964]
  NLP4SG Papersは3つのタスクを関連づけた科学データセットである。 これらのタスクはNLP4SGの論文を特定し、NLP4SGのランドスケープを特徴付けるのに役立つ。 現状のNLPモデルを用いてこれらのタスクに対処し、ACLアンソロジー全体においてそれらを使用する。
  論文  参考訳（メタデータ） (2023-05-09T14:16:25Z)
• Survey of NLP in Pharmacology: Methodology, Tasks, Resources, Knowledge, and Tools [0.0]
  本研究の主な目的は、薬理学分野における最近のNLPの使用状況を調べることである。 我々は、最新のNLP方法論、一般的なタスク、関連するテキストデータ、知識ベース、有用なプログラミングライブラリを調査するために、カバー範囲を5つのカテゴリに分けた。 結果として得られた調査は、実践者や関心のある観察者にとって有用な、この地域の概要を包括的に示すものである。
  論文  参考訳（メタデータ） (2022-08-22T12:10:27Z)
• Meta Learning for Natural Language Processing: A Survey [88.58260839196019]
  ディープラーニングは自然言語処理(NLP)分野において主要な技術である。 ディープラーニングには多くのラベル付きデータが必要です。 メタ学習は、より良いアルゴリズムを学ぶためのアプローチを研究する機械学習の分野である。
  論文  参考訳（メタデータ） (2022-05-03T13:58:38Z)
• A Scoping Review of Publicly Available Language Tasks in Clinical Natural Language Processing [7.966218734325912]
  バイオメディカルリサーチとコンピュータサイエンス文献データベースを含む6つのデータベースを検索した。 47のNLPタスクを有する35の論文が2007年から2021年の間に包括的基準を満たした。
  論文  参考訳（メタデータ） (2021-12-07T22:49:58Z)
• FedNLP: A Research Platform for Federated Learning in Natural Language Processing [55.01246123092445]
  NLPのフェデレーションラーニングのための研究プラットフォームであるFedNLPを紹介します。 FedNLPは、テキスト分類、シーケンスタグ付け、質問応答、Seq2seq生成、言語モデリングなど、NLPで一般的なタスクの定式化をサポートしている。 FedNLPによる予備実験では、分散型データセットと集中型データセットの学習には大きなパフォーマンスギャップが存在することが明らかになった。
  論文  参考訳（メタデータ） (2021-04-18T11:04:49Z)
• A Systematic Review of Natural Language Processing for Knowledge Management in Healthcare [0.6193838300896449]
  本研究の目的は,NLPの可能性,特にNLPが医療領域における知識管理プロセスをどのようにサポートするかを明らかにすることである。 本稿では、医療分野における知識の創出、獲得、共有、適用の方法について、最先端のNLP研究を包括的に調査する。
  論文  参考訳（メタデータ） (2020-07-17T17:50:50Z)

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。