使用大型语言模型进行自动检测,主题分析和注射的卫生错误信息干预:COVID-19的案例研究

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 自然语言处理自然语言处理.
• 公共卫生传播 公共卫生传播

背景情况:

• 社交媒体促进了健康错误信息的快速传播,通过造成混乱和侵蚀信任,影响公共卫生.
• 社交媒体上的错误信息导致不遵守健康指南和危险的健康行为.
• 了解错误信息的动态对于有效的公共卫生战略至关重要.

研究的目的:

• 开发一种使用LLM和机器学习的自动化方法来检测社交媒体上的健康错误信息.
• 揭示健康错误信息的潜在原因和主题.
• 为了制造反驳论据,以控制错误信息的传播,并为公众接种疫苗.

主要方法:

• 接受了三个LLM (BERT,T5,GPT-2) 的培训,以将文件分类为错误信息或非错误信息.
• 使用主题建模算法 (LDA,Top2Vec,BERTopic) 来识别错误信息的主题和主题.
• 利用提示工程来提取句子级别的主题表示,并生成错误信息主题.

主要成果:

• 伯特模型在错误信息分类方面实现了98%的准确性,错误阳性结果减少.
• BERTopic是最佳的主题建模方法,显示了强大的性能指标.
• 一种新的快速工程方法在生成主题表示方面达到99.6%的适当性,在检测错误信息主题方面达到82%的准确性.

结论:

• 使用LLM和快速工程的全面自动化系统有效地检测健康错误信息并识别主题.
• 该系统生成解释性回应,以打击社交媒体上传播的错误信息.
• 该方法在COVID-19数据集上进行了测试,显示了改善公共卫生沟通的希望,尽管现实世界的评估正在等待.