识别女性枪支自杀前的罕见情况:验证一种大型语言模型方法
Weipeng Zhou1, Laura C Prater2,3, Evan V Goldstein4
1Department of Biomedical Informatics and Medical Education, School of Medicine, University of Washington, Seattle, WA, United States.
JMIR mental health
|October 17, 2023
概括
大型语言模型有效地识别了女性枪支自杀的罕见情况,超过了传统方法. 这一进步有助于研究人员分析复杂的叙事数据,以获得预防自杀的见解.
科学领域:
- 公共卫生 公共卫生
- 计算机科学 计算机科学
- 犯罪学 犯罪学
背景情况:
- 从2010年到2020年,女性枪支自杀率增加了20%,需要对独特的贡献因素进行调查.
- 国家暴力死亡报告系统 (NVDRS) 包含有价值的叙事数据,但传统的NLP方法难以识别罕见情况.
- 以前的自然语言处理 (NLP) 方法因缺乏足够的数据来识别女性枪支自杀的罕见因素而受到限制.
研究的目的:
- 采用大型语言模型 (LLM) 来检测女性枪支自杀之前的罕见情况.
- 用先进的AI技术分析来自NVDRS的非结构化叙事报告.
- 改进识别女性枪支自杀事件中罕见的贡献因素.
主要方法:
- 在NVDRS (2014-2018) 中利用了1462名女性枪支自杀死者的叙事报告.
- 编码了9个不常见的情况,并训练了一名法学士以以"是/不是"格式预测它们的存在.
- 使用F1分数评估预测准确性,将LLM性能与支持矢量机 (SVM) 进行比较.
主要成果:
- 在识别罕见情况方面,LLM显著优于传统的SVM方法.
- 在4种情况下,LLM获得了超过0.6的F1评分,在2种情况下达到0.8的F1评分,而在大多数情况下,SVM的F1评分低于0.2.
- 证明了LLM从非结构化文本数据中提取细微信息的能力.
结论:
- 在公共卫生研究中,LLM方法对分析复杂的叙事数据具有显著的前景.
- 研究人员可以利用LLM来识别自杀数据中的罕见情况,这可能会导致更有针对性的预防策略.
- 这项研究强调了先进的人工智能在从以前未充分利用的数据源中发现关键洞察力的价值.
关键词:
抑郁 抑郁症 抑郁症 抑郁症 抑郁症文件分类 文档分类 文档分类一个女人,一个女人,一个女人.女性枪支自杀 自杀 枪支自杀枪支自杀自杀枪支自杀自杀自杀自杀自杀语言模型语言模型大型语言模型机器学习是机器学习.心理健康 心理健康妇女的心理健康 妇女的心理健康自杀性自杀性自杀性自杀性自杀 自杀 自杀 自杀 自杀 自杀 自杀自杀预防 自杀预防暴力的死亡暴力的死亡女人 女人 女人 女人 女人更多相关视频
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
250
08:42Design and Implementation of an fMRI Study Examining Thought Suppression in Young Women with, and At-risk, for Depression
Published on: May 19, 2015
10.7K
