探索大型语言模型用于在线检测疫苗反应
Sedigh Khademi1,2, Christopher Palmer1, Gerardo Luis Dimaguila1,2
1Murdoch Children's Research Institute, Parkville, Australia.
Studies in health technology and informatics
|September 25, 2024
概括
大型语言模型 (LLM) 可以使用快速工程来检测社交媒体上的疫苗反应. 虽然预训练语言模型 (PLM) 更准确,但LLM有助于识别用于培训PLM的数据.
科学领域:
- 计算语言学计算语言学
- 公共卫生信息学 公共卫生信息学
- 医学中的人工智能.
背景情况:
- 社交媒体产生实时健康数据,包括疫苗不良事件.
- 分析这些杂的数据以获得特定的健康见解,例如疫苗反应,具有挑战性.
研究的目的:
- 评估大型语言模型 (LLM) 的有效性,并提示工程师检测社交媒体上关于疫苗反应的个人提及.
- 为此任务比较不同的提示策略和LLM模型 (GPT-3.5,GPT-4).
主要方法:
- 利用了关于带状疹疫苗的Reddit数据.
- 在两种LLM模型中,比较了零射击和少数射击的学习与标准和思想链的提示.
- 对轻量级监督预训练语言模型 (PLM) 进行LLM绩效评估.
主要成果:
- 思想链引发了对相关社交媒体帖子的LLM识别的显著改进.
- 短射击学习提高了GPT-4捕捉边缘病例的能力,尽管精度降低了.
- 监督PLM在分类准确性方面通常优于LLM.
结论:
- LLM,特别是连锁思维提示,显示出在社交媒体数据中识别疫苗反应提及的前景.
- LLM 可以协助数据策划,以培训PLM,特别是减少虚假负数.
- 当数据不足阻止训练强大的PLM时,LLM可以作为可行的分类器.
更多相关视频
05:15Detection of Neutralization-sensitive Epitopes in Antigens Displayed on Virus-Like Particle VLP-Based Vaccines Using a Capture Assay
Published on: February 10, 2022
3.6K
07:05In Vivo Assay for Detection of Antigen-specific T-cell Cytolytic Function Using a Vaccination Model
Published on: November 28, 2017
9.8K
相关概念视频
00:42Cross-reactivity
31.0K
Overview
31.0K
01:51Vaccinations
44.1K
Overview
44.1K
01:18Steps in Outbreak Investigation
108
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
108