通过教育意识使用安全信息来管理紧急危机:COVID-19病例研究

科学领域:

• 人工智能的人工智能
• 数据科学数据科学数据科学
• 公共卫生 公共卫生

背景情况:

• 社交媒体产生了大量不安全的数据,使危机期间的安全数据检索变得复杂.
• 假新闻的扩散给准确的健康监测和危机预测带来了重大挑战.

研究的目的:

• 开发一种混合卷积神经网络 (CNN) - 长期短期记忆 (LSTM) 模型,用于使用社交媒体数据进行健康监测和危机预测.
• 加强从社交媒体平台获取安全和有意义的内容.
• 在健康危机期间提供有效的安全防范假新闻的传播.

主要方法:

• 利用混合CNN-LSTM模型从多个社交媒体来源捕获安全和有意义的功能.
• 集成教育意识培训与人工智能模型,以改进假新闻检测.
• 在公开可用的数据集和COVID-19健康危机期间评估模型的性能.

主要成果:

• 在基准数据集上实现了63.74%的精度,59.33%的准确性,71.66%的F1得分和56.61%的MCC.
• 在应用于COVID-19健康危机时表现出有希望的结果,超过其他方法.
• 在减少健康危机警报和促进可持续信息实践方面展示了重要的教育效应.

结论:

• 混合CNN-LSTM模型有效地检索高质量和安全的内容,提供强大的防护假新闻.
• 将人工智能与社交媒体技术和教育意识相结合,对于可靠的健康危机管理至关重要.
• 该模型显示了改善卫生监测系统和减轻公共卫生紧急情况期间错误信息影响的潜力.