使用基于大型语言模型的方法进行情绪分析,通过社交媒体检测与其他物质混合的阿片类药物:方法开发和验证
Muhammad Ahmad1, Ildar Batyrshin1, Grigori Sidorov1
1Centro de Investigación en Computación, Instituto Politécnico Nacional, Mexico City, 07738, Mexico, 52 5591887293.
像GPT-3.5 Turbo这样的大型语言模型可以分析社交媒体,预测阿片类药物过量风险. 这种机器学习方法可以从YouTube评论中识别有风险的个人,改善公共卫生监测和干预.
科学领域:
- 公共卫生 公共卫生
- 数据科学数据科学数据科学
- 计算语言学 计算语言学
背景情况:
- 阿片类药物危机是美国的主要健康挑战,过量服用死亡人数不断上升.
- 了解疫情需要加强卫生监测.
- 机器学习可以分析社交媒体以识别阿片类药物使用者风险.
研究的目的:
- 利用机器学习来分析来自社交媒体的自我报告的阿片类药物使用模式.
- 非侵入性地识别阿片类药物使用和风险因素.
- 提高对阿片类药物效应的理解,特别是当与其他物质混合时.
主要方法:
- 对YouTube评论 (2020年12月至2024年3月) 的分析,详细介绍了自我报告的阿片类药物体验.
- 手动标注评论,将其分为积极和消极影响的类别.
- 机器学习模型的应用,包括深度学习,变压器和大型语言模型 (GPT-3.5 Turbo),用于情绪和风险分析.
主要成果:
- GPT-3.5 Turbo在从YouTube评论中识别不良影响和高风险药物使用方面取得了高精度和准确性.
- 拟议的GPT-3.5 Turbo方法产生了0.95.5的F1得分.
- 与传统的机器学习模型相比,观察到3.26%的性能改善 (例如,极端梯度增强F1得分为0.92).
结论:
- 机器学习和大型语言模型可以有效地从社交媒体上分析公众对阿片类药物使用的情绪.
- 在YouTube上的评论提供了有关阿片类药物的影响和风险的有价值的自我报告数据.
- 该研究的方法提高了过量服用风险的预测,改善了医疗保健对阿片类药物危机的反应.
更多相关视频
10:13Author Spotlight: An Efficient Methodology to Confidently Differentiate and Characterize Fentanyl Analogs
Published on: November 8, 2024
10:17High-throughput and Comprehensive Drug Surveillance Using Multisegment Injection-Capillary Electrophoresis-Mass Spectrometry
Published on: April 23, 2019
相关概念视频
Opioid Analgesics: Synthetic and Semisynthetic Opioids
Opioid Analgesics: Morphine and Other Natural Cogeners
Analgesia and Pain Management
Drug Dependence
Drugs Affecting Neurotransmitter Release or Uptake
MALDI-TOF Mass Spectrometry
Matrix-assisted laser desorption ionization (MALDI) is a commonly...
