How do media talk about the Covid-19 pandemic? Metaphorical thematic clustering in Italian online newspapers
Aston University（阿斯顿大学）
本研究基于意大利在线报纸语料库，结合Structural Topic Modelling与概念隐喻理论，分析了COVID-19危机期间新闻话题与隐喻语言的阶段性变化，并深入探讨了经济与社会话题的隐喻搭配。
2024-01-04 cs.CL
Align then Summarize: Automatic Alignment Methods for Summarization Corpus Creation
Le Mans Université（勒芒大学）；Ubiqus Labs（Ubiqus实验室）；Université Paris Descartes（巴黎笛卡尔大学）；Avignon Université（阿维尼翁大学）
摘要文本不是一项简单的任务。在考虑文本摘要之前，应该确定预期的摘要类型。信息应该压缩到什么程度？是否需要重新措辞，或者摘要是否应该坚持原来的措辞？自动摘要技术的发展主要围绕新闻文章展开。我们认为，考虑更广泛的任务将导致该领域的改进，在泛化和鲁棒性方面。我们探讨会议摘要：从自动transmitting生成报告。我们的工作包括对报告进行分割和对齐，以获得适合神经摘要的数据集。使用自举方法，我们提供了由人类注释者校正的预对齐，从而建立了一个验证集，我们可以根据该验证集评估自动模型。这通过迭代提供更好的预对齐来不断减少注释者的工作量，并通过使用我们的自动对齐模型中的注释来最大化语料库大小。评估是在\publicmeetings上进行的，这是一个新的对齐公共会议语料库。我们报告了自动对齐和摘要在这个语料库的性能，并表明自动对齐是相关的数据注释，因为它导致了大的改善几乎+4对所有的ROUGE分数的摘要任务。
2020-07-15 cs.CL
COVID-19 Literature Mining and Retrieval using Text Mining Approaches
SRM University, Andhra Pradesh（SRM大学（安得拉邦））；University of Huddersfield（哈德斯菲尔德大学）
新型冠状病毒病（COVID-19）于2019年底始于中国武汉，迄今已感染全球超过1.48亿人，导致312万人死亡。2020年3月10日，世界卫生组织（WHO）宣布其为全球大流行病。许多学者和研究人员开始发表论文，描述新冠肺炎的最新发现。大量出版物的涌入使其他研究人员很难通过大量的数据，并找到合适的，有助于他们的研究。因此，该模型试图从大量的研究出版物中提取相关的标题，这使得研究人员的工作变得容易。艾伦人工智能研究所发布了CORD-19数据集，其中包括来自PubMed的PMC，WHO（世界卫生组织），bioRxiv和medRxiv预印本的2，00，000篇与冠状病毒相关研究出版物相关的期刊文章。除了这个文档语料库，他们还提供了一个名为topics-rnd 3的主题数据集，其中包含一个主题列表。每个主题都有三种类型的表示，如查询，问题和叙述。这些数据集开放供研究，他们还在Kaggle上发布了TREC-COVID竞赛。使用这些主题（如查询），我们的目标是找出CORD-19数据集中的相关文档。在本研究中，对于topics-rnd 3数据集中提出的主题，需要识别相关文献。该模型使用自然语言处理（NLP）技术，如词袋、平均词2向量、平均BERT基模型和Tf-Idf加权词2向量模型来构造用于查询、问题、叙述以及它们的组合的向量。类似地，为CORD-19数据集中的标题构建向量。在构造向量后，使用余…
2022-05-29 cs.CL cs.IR
Repurposing TREC-COVID Annotations to Answer the Key Questions of CORD-19
Pennsylvania State University（宾夕法尼亚州立大学）
2019年新型冠状病毒病（COVID-19）于2019年底在中国武汉开始，迄今已感染全球超过1400万人，导致超过75万人死亡。2020年3月10日，世界卫生组织宣布疫情为全球大流行。许多学者和研究人员，不限于医学领域，开始发表论文描述新的发现。然而，随着大量出版物的涌入，这些人很难筛选大量的数据并理解这些发现。白宫和由艾伦人工智能研究所领导的一组行业研究实验室汇总了20多万篇与各种冠状病毒相关的期刊文章，并要求社区回答与语料库相关的关键问题，将数据集作为CORD-19发布。信息检索（IR）社区重新利用CORD-19中的期刊文章，使其更接近于经典的TREC式竞赛，称为TREC-COVID，人类注释者在每轮竞赛结束时提供相关性判断。看到相关的努力，我们开始重新调整TREC-COVID任务的相关性注释，以识别CORD-19中与CORD-19提出的关键问题相关的期刊文章。在这个重新设计的数据集上训练的BioBERT模型为CORD-19任务规定了相关性注释，这些任务在科恩的kappa方面与大多数人类注释的总体一致率为0.4430。我们提出了用于构建新数据集的方法，并描述了整个决策过程。
2020-08-27 cs.CL cs.IR cs.LG
Why Do You Feel This Way? Summarizing Triggers of Emotions in Social Media Posts
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
COVID-19大流行等危机持续威胁着我们的世界，并以不同的方式在情感上影响着全球数十亿人。了解导致人们情绪的触发因素至关重要。社交媒体帖子可以成为此类分析的一个很好的来源，但这些文本往往充满了多种情绪，触发因素分散在多个句子中。本文从一个新的角度，即情感检测和触发摘要，旨在检测文本中的感知情感，并总结事件和他们的评价，触发每种情感。为了支持这一目标，我们引入了CovidET（Covid-19期间的情绪及其触发器），这是一个包含约1，900个与COVID-19相关的英语Reddit帖子的数据集，其中包含帖子中描述的感知情绪的手动注释和触发器的抽象摘要。我们开发强大的基线来共同检测情绪并总结情绪触发因素。我们的分析表明，CovidET在特定于情感的摘要以及长社交媒体帖子中的多情感检测方面提出了新的挑战。
2022-10-22 cs.CL cs.SI
Misleading the Covid-19 vaccination discourse on Twitter: An exploratory study of infodemic around the pandemic
University of Tartu（塔尔图大学）；Nanyang Technological University（南洋理工大学）
在这项工作中，我们收集了一个中等规模的有代表性的推文语料库（约200，000条）在七个月期间（2020年9月至2021年3月）接种新冠肺炎疫苗。遵循迁移学习方法，我们利用预先训练的基于Transformer的XLNet模型将推文分类为误导性或非误导性，并手动验证结果的随机子集。我们以此为基础，研究和对比的特点，在语料库中的推文是误导性的非误导性的。这种探索性分析使我们能够设计特征（如情感，标签，名词，代词等），这些特征反过来可以用于以可解释的方式使用各种ML模型将推文分类为（非）误导。具体来说，使用几个ML模型进行预测，准确率高达90%，并使用SHAP可解释AI（XAI）工具解释每个特征的重要性。虽然这项工作的主旨主要是探索性分析，以获得关于新冠疫苗接种的在线讨论的见解，但我们总结了这些见解如何为减少错误信息的更可行方法提供基础。策划的数据集和代码是可用的（Github存储库），以便整个研究社区可以复制，比较或建立在这项工作上。
2022-11-25 cs.CL cs.SI
JESC: Japanese-English Subtitle Corpus
Stanford University（斯坦福大学）；Rakuten Institute of Technology（乐天技术研究所）；Google Brain（谷歌大脑）
在本文中，我们描述了日英字幕语料库（JESC）。JESC是一个大型的日英平行语料库，涵盖了代表性不足的会话对话领域。它包含超过320万个示例，使其成为同类中最大的免费数据集。语料库是通过爬行和对齐在网络上找到的字幕组装的。组装过程中采用了一些新的预处理元素，以确保高单语流畅性和准确的双语对齐。我们总结其内容，并使用人类专家和基线机器翻译（MT）系统评估其质量。
2018-02-21 cs.CL
Bringing Structure into Summaries: Crowdsourcing a Benchmark Corpus of Concept Maps
Technische Universität Darmstadt（达姆施塔特工业大学）
概念图可用于简明地表示重要信息，并将结构带入大型文档集合。因此，我们研究了一种多文档摘要的变体，它以概念图的形式产生摘要。然而，目前缺少适合这项任务的评价数据集。为了缩小这一差距，我们提出了一个新创建的语料库的概念图，总结异构集合的Web文档的教育主题。它是使用一种新颖的众包方法创建的，使我们能够有效地确定大型文档集合中的重要元素。我们发布了语料库以及基线系统和建议的评估协议，以进一步研究这种变体的摘要。
2017-07-21 cs.CL
EPIC30M: An Epidemics Corpus Of Over 30 Million Relevant Tweets
Singapore University of Technology and Design（新加坡科技设计大学）；Forth AI（Forth人工智能公司）；University of Colorado Denver（科罗拉多大学丹佛分校）
自2019冠状病毒病爆发以来，文献中出现了来自不同来源的多个相关语料库，其中包含数百万个数据点。虽然这些语料库在支持对这一特定流行病的许多分析方面很有价值，但研究人员需要包含其他流行病的额外基准语料库，以促进跨流行病模式识别和趋势分析任务。在我们对COVID-19相关工作的其他努力中，我们在文献中发现很少有足够大和丰富的疾病相关语料库来支持这种跨流行病分析任务。在本文中，我们提出了EPIC 30 M，一个大规模的流行病语料库，包含3000万微博帖子，即，从2006年到2020年，从Twitter上抓取的推文。EPIC 30 M包含与埃博拉、霍乱和猪流感三种一般疾病相关的2620万条推文的子集，以及与六种全球流行病爆发相关的470万条推文的子集，包括2009年H1N1猪流感、2010年海地霍乱、2012年中东呼吸综合征（MERS）、2013年西非埃博拉、2016年也门霍乱和2018年基伍埃博拉。此外，我们探索和讨论语料库的属性与关键词和标签的统计数据和趋势分析，为每个子集。最后，我们通过讨论近年来引起越来越多兴趣的跨流行病研究主题的多个用例，展示了EPIC 30 M可以创造的价值和影响。这些用例跨越多个研究领域，如流行病学建模、模式识别、自然语言理解和经济建模。
2020-06-22 cs.CL cs.CY cs.SI
Misinformation Concierge: A Proof-of-Concept with Curated Twitter Dataset on COVID-19 Vaccination
University of Tartu（塔尔图大学）；Nanyang Technological University（南洋理工大学）；University of Surrey（萨里大学）
Misinformation Concierge是一个概念验证系统，利用语言处理和机器学习识别社交媒体错误信息子主题，为政策制定者提供统计报告并推荐反驳消息，以干预和反击错误信息。
2023-08-25 cs.CL cs.SI
India nudges to contain COVID-19 pandemic: a reactive public policy analysis using machine-learning based topic modelling
University of Cambridge（剑桥大学）
该研究基于 PIB 文本语料库，用 LDA 主题建模和助推理论分析印度 COVID-19 反应性政策，揭示各部门关键政策启发及其对放松封锁规划的价值。
2020-10-03 cs.CL cs.CY cs.LG
Interactive Extractive Search over Biomedical Corpora
Allen Institute for AI（艾伦人工智能研究所）；Bar Ilan University（巴伊兰大学）；Tel Aviv University（特拉维夫大学）
我们提出了一个系统，允许生命科学研究人员搜索语言注释语料库的科学文本使用模式依赖图，以及使用模式令牌序列和布尔关键字查询的一个强大的变种。与以前的尝试依赖性为基础的搜索，我们引入了一个轻量级的查询语言，不需要用户知道的细节的基础语言表示，而是查询语料库提供一个简单的标记加上例句。由于高效的语言图索引和检索引擎，搜索以交互式速度进行。这允许用户查询的快速探索、开发和细化。我们使用两个语料库的示例工作流演示了该系统：PubMed语料库，包括14，446，243 PubMed摘要和CORD-19数据集，收集了超过45，000篇关于COVID-19研究的研究论文。该系统可在https://allenai.github.io/spike上公开获取
2020-06-07 cs.CL cs.IR
BillSum: A Corpus for Automatic Summarization of US Legislation
FiscalNote Research（FiscalNote研究院）
自动摘要方法已经在包括新闻和科学文章在内的各种领域进行了研究。然而，尽管美国国会和州政府每年发布数万项法案，但此前从未考虑过这项任务的立法。在本文中，我们介绍了BillSum，这是第一个用于总结美国国会和加利福尼亚州法案的数据集（https：//github.com/FiscalNote/BillSum）。我们解释了数据集的属性，使其比其他领域更具挑战性。然后，我们对考虑神经句子表示和传统上下文特征的提取方法进行基准测试。最后，我们证明了建立在国会法案上的模型可以用来总结加利福尼亚州的法案，从而表明在这个数据集上开发的方法可以转移到没有人类书面摘要的州。
2019-12-04 cs.CL
PMOA-TTS: Introducing the PubMed Open Access Textual Times Series Corpus
Machine Learning Department, School of Computer Science（计算机科学系机器学习部门）；Heinz College of Information Systems and Public Policy（信息系统与公共政策学院）；National Library of Medicine（国家医学图书馆）
PMOA-TTS通过大规模语言模型管道构建，为时间序列分析提供结构化文本时间线，支持时间推理、生存建模和事件预测研究。
2026-01-15 cs.AI cs.CL cs.LG
Getting Insights from a Large Corpus of Scientific Papers on Specialisted Comprehensive Topics -- the Case of COVID-19
COVID-19是这些天最重要的话题之一，特别是在搜索引擎和新闻上。虽然假新闻很容易分享，但科学论文是可以提取信息的可靠来源。PUBMED上有大约24，000篇关于COVID-19的科学出版物和相关研究，需要自动计算机辅助分析。在本文中，我们开发了两种方法来深入了解感兴趣的特定子主题和最新的研究子主题。它们依赖于自然语言处理和基于图形的可视化。我们在两种情况下运行这些方法：病毒来源和现有药物的使用。
2020-04-30 cs.DL cs.IR
Event Causality Identification with Causal News Corpus -- Shared Task 3, CASE 2022
University of Groningen（格罗宁根大学）；Mersin University（梅尔辛大学）；University of East Anglia（东英吉利大学）；Radboud University（拉德堡德大学）
CASE 2022的事件因果关系识别共享任务涉及两个子任务，它们在因果新闻语料库上工作。子任务1要求参与者预测一个句子是否包含因果关系。这是一个有监督的二元分类任务。子任务2要求参与者识别每个因果句的原因、结果和信号跨度。这可以被看作是一个有监督的序列标记任务。对于这两个子任务，参与者上传了他们对一个测试集的预测，并分别根据子任务1和2的二进制F1和宏F1分数进行排名。本文总结了17个团队的工作，提交了他们的结果，我们的竞争和12个系统描述文件，收到。子任务1和2的最佳F1得分分别为86.19%和54.15%。所有表现最好的方法都涉及预先训练的语言模型，这些模型针对目标任务进行了微调。我们在本文中进一步讨论了这些方法，并分析了参与者系统中的错误。
2022-11-22 cs.CL
Meeting Action Item Detection with Regularized Context Modeling
Speech Lab of DAMO Academy, Alibaba Group（阿里巴巴集团达摩院语音实验室）
会议对于合作越来越重要。会议记录中的行动项目对于管理会议后的待办事项至关重要，这些任务通常是费力地总结的。Action Item Detection任务旨在自动检测与Action Item关联的会议内容。然而，手动标注的行动项目检测标签的数据集是稀缺的，在小规模。我们构建并发布了第一个带有手动动作项标注的中文会议语料库。此外，我们提出了一个上下文删除方法，利用本地和全局上下文的对比学习，并实现更好的准确性和鲁棒性的动作项检测。我们还提出了一种轻量级模型Entrance方法来利用不同的预训练模型。在中文会议语料库和英文AMI语料库上的实验结果证明了所提出方法的有效性。
2023-03-27 cs.CL
A Search Engine for Discovery of Scientific Challenges and Directions
Tel Aviv University（特拉维夫大学）；Allen Institute for AI（艾伦人工智能研究所）；University of Washington（华盛顿大学）；Georgia Institute of Technology（佐治亚理工学院）；Microsoft（微软公司）；Swedish Medical Group（瑞典医疗集团）
跟踪科学挑战，进步和新兴方向是研究的基本组成部分。然而，研究人员面临着大量的论文，阻碍了重要知识的发现。在生物医学中，这直接影响人类的生活。为了解决这个问题，我们提出了一个新的任务，提取和搜索的科学挑战和方向，以促进快速知识发现。我们构建并发布了一个专家注释的文本语料库，该语料库从全长论文中采样，标记有新颖的语义类别，这些类别概括了许多类型的挑战和方向。我们专注于与COVID-19大流行相关的大量跨学科工作，从生物医学到人工智能和经济学等领域。我们应用一个基于数据训练的模型来识别整个语料库中的挑战和方向，并构建一个专用的搜索引擎。在19名研究人员和临床医生使用我们的系统进行的实验中，我们在帮助知识发现方面优于流行的科学搜索引擎。最后，我们展示了在我们的资源上训练的模型可以推广到更广泛的生物医学领域和AI论文，突出了其广泛的实用性。我们公开我们的数据、模型和搜索引擎。https://challenges.apps.allenai.org/
2022-01-19 cs.CL cs.HC cs.IR
Grounded in Consensus, In Step With Emerging Science: A Consensus-Anchored Multi-Corpus Clinical Chatbot for Long COVID
University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对长期新冠临床决策支持证据分散的问题，提出整合多来源的面向临床医生的聊天机器人，在检索增强流程中组织四个来源，经探索性自动评估，其平均评分与OpenEvidence相当，得分更高且变异性更低。
2026-07-29 cs.AI cs.IR
Twitter Corpus of the #BlackLivesMatter Movement And Counter Protests: 2013 to 2021
National Institute on Drug Abuse（美国国家药物滥用研究所）；University of Pennsylvania（宾夕法尼亚大学）
Black Lives Matter（英语：Black Lives Matter）是一个分散的社会运动，抗议针对黑人个人和社区的暴力，重点是警察暴行。在2020年Ahmaud Arbery，Breonna Taylor和George Floyd被杀后，该运动获得了极大的关注。#BlackLivesMatter社交媒体标签已经代表了草根运动，类似的标签反对抗议BLM运动，如#AllLivesMatter和#BlueLivesMatter。我们引入了来自100多个国家的1300万用户的6390万条推文的数据集，其中包含以下关键字之一：BlackLivesMatter，AllLivesMatter和BlueLivesMatter。该数据集包含了从2013年BLM运动开始到2021年的所有现有推文。我们总结了数据集，并显示时间趋势，在使用的BlackLivesMatter关键字和关键字与计数器的运动。此外，对于每个关键字，我们创建并发布一组潜在狄利克雷分配（LDA）主题（即，语义共现词的自动聚类组），以帮助研究人员识别跨三个关键词的语言模式。
2022-06-07 cs.CL cs.SI
Introducing MeMo: A Multimodal Dataset for Memory Modelling in Multiparty Conversations
本文提出了首个多方对话记忆数据集MeMo，包含31小时小组讨论及多模态标注与记忆保留报告，为计算建模人类对话记忆及智能系统开发提供资源。
2024-10-15 cs.AI cs.CL cs.HC
Diachronic Text Mining Investigation of Therapeutic Candidates for COVID-19
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
历时文本挖掘经常被应用于长期的语言学调查，随着时间的推移，词义和用法的变化。在本文中，我们将短期历时文本挖掘应用于CORD-19数据集中捕获的快速增长的COVID-19科学出版物语料库，以识别共同出现并分析潜在候选治疗方法的行为。我们使用了与橡树岭国家实验室的COVID-19药物再利用研究相关的数据集。这项研究确定了现有的候选冠状病毒治疗方法，包括药物和批准的化合物，这些药物和化合物根据其阻断SARS-COV-2病毒入侵人类细胞的能力进行了分析和排名。我们调查了CORD-19语料库的时间实例中这些候选人的出现。我们发现，至少有25%的确定的条款发生在语料库的时间实例的程度上，他们的频率和上下文动态可以评估。我们确定了三类行为：那些频率和上下文的变化是小的，正相关;那些频率和上下文的变化之间没有相关性;和那些频率和上下文的变化之间有负相关性。我们推测，后两种模式表明目标候选疗法正在进行积极的评估。我们检测到的模式证明了使用历时文本挖掘技术与大型动态文本语料库来跟踪国际临床和实验室环境中的药物再利用活动的潜在好处。
2021-10-26 cs.CL cs.IR q-bio.OT
COV19IR : COVID-19 Domain Literature Information Retrieval
Indian Institute of Technology Kharagpur（印度理工学院卡哈拉格普尔分校）；University of Manchester（曼彻斯特大学）；University of Technology Sydney（悉尼科技大学）
越来越多的COVID-19研究文献对有效的文献筛选和COVID-19领域知识感知信息检索提出了新的挑战。为了应对挑战，我们展示了两项任务以及解决方案，COVID-19文献检索和问答。COVID-19文献检索任务筛选匹配的COVID-19文献文档以供文本用户查询，COVID-19问答任务从文本语料库中预测适当的文本片段作为特定COVID-19相关问题的答案。基于Transformer神经网络，在CORD-19数据集上实现了上述任务，并通过实例验证了所提方法的有效性。
2022-11-08 cs.CL cs.IR
Experience and Evidence are the eyes of an excellent summarizer! Towards Knowledge Infused Multi-modal Clinical Conversation Summarization
Indian Institute of Technology, Patna（印度理工学院巴特那分校）；Indian Institute of Technology, Bombay（印度理工学院孟买分校）；All India Institute of Medical Sciences, Rishikesh（全印医学科学学院瑞诗凯诗分院）
本文提出多模态临床对话摘要任务及知识注入的多任务框架 MM-CliConSummation，并构建带意图、症状和摘要标注的语料库，验证视觉信息、知识注入及科室识别的作用。
2023-09-27 cs.AI cs.CL
Modified K-means with Cluster Assignment -- Application to COVID-19 Data
本文提出一种改进的K-means文本提取模型，采用两聚类分配技术和向量平均阻尼，在COVID-19语料上取得良好效果。
2024-02-04 cs.IR
Searching COVID-19 Clinical Research Using Graph Queries: Algorithm Development and Validation
本研究基于COVID-19开放研究数据集构建含12万余实体、4700余万条关系的概念共现网络，开发支持部分匹配与补全推荐的图查询引擎，实现友好的文献检索探索，可推广至其他有语料和本体的科学领域。
2024-06-21 cs.DL cs.IR
Open-Domain Question-Answering for COVID-19 and Other Emergent Domains
University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）；Princeton University（普林斯顿大学）
自2019年底以来，COVID-19迅速成为最新的生物医学领域，导致新信息激增。与其他新兴领域一样，围绕该主题的讨论一直在迅速变化，导致错误信息的传播。这就需要一个公共空间，让用户提出问题并获得可信的科学答案。为了满足这一需求，我们转向了开放域问答的任务，我们可以使用它来有效地从大量文档中找到自由文本问题的答案。在这项工作中，我们为COVID-19的紧急领域提出了这样一个系统。尽管可用的数据量很小，但我们能够成功地训练系统从已发表的COVID-19科学论文的大规模语料库中检索答案。此外，我们将有效的重新排序和问答技术，如文件的多样性和多个答案跨度。我们的开放域问答系统可以进一步作为一个模型，为快速开发类似的系统，可以适应和修改其他发展中的新兴领域。
2021-10-13 cs.CL cs.IR
Comprehensive Named Entity Recognition on CORD-19 with Distant or Weak Supervision
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们在COVID-19开放研究数据集挑战（CORD-19）语料库上创建了这个具有全面命名实体识别（NER）的CORD-NER数据集（2020-03-13）。该CORD-NER数据集涵盖了75种细粒度实体类型：除了常见的生物医学实体类型（例如，基因、化学物质和疾病），它涵盖了许多与COVID-19研究明确相关的新实体类型（例如，冠状病毒，病毒蛋白，进化，材料，底物和免疫反应），这可能有利于COVID-19相关病毒，传播机制和潜在疫苗的研究。CORD-NER注释是使用不同NER方法的四个源的组合。CORD-NER注释的质量超过了SciSpacy（基于文档样本集的F1得分高出10%以上），这是一种完全监督的BioNER工具。此外，CORD-NER支持增量添加新文档，并在需要时通过添加数十个种子作为输入示例来添加新的实体类型。我们将根据CORD-19语料库的增量更新和我们系统的改进不断更新CORD-NER。
2020-04-15 cs.AI cs.CL cs.IR
SciSight: Combining faceted navigation and research group detection for COVID-19 exploratory scientific search
Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Paul G. Allen School for Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）；Information School, University of Washington（华盛顿大学信息学院）；Microsoft Research（微软研究院）；University of California, Berkeley（加利福尼亚大学伯克利分校）
COVID-19大流行引发了科学家前所未有的动员，产生了大量论文，使研究人员难以跟踪和探索新的方向。搜索引擎是为有针对性的查询而设计的，而不是为了发现跨语料库的连接。在本文中，我们介绍了SciSight，这是一个探索性搜索COVID-19研究的系统，集成了两个关键功能：首先，探索从论文中自动提取的生物医学方面之间的关联（例如，基因、药物、疾病、患者结果）;第二，结合文本和网络信息来搜索和可视化研究人员群体及其关系。到目前为止，SciSight已经为超过$15K$的用户提供了超过$42K$的页面浏览量和$13\%$的回报。
2020-09-20 cs.DL cs.HC cs.IR
CO-Search: COVID-19 Information Retrieval with Semantic Search, Question Answering, and Abstractive Summarization
Salesforce Research（赛富时研究院）
2019冠状病毒病全球大流行促使国际社会努力了解、跟踪和减轻这种疾病，产生了跨科学学科的2019冠状病毒病和SARS-CoV-2相关出版物的重要语料库。截至2020年5月，已通过COVID-19开放研究数据集挑战收集了128，000篇与冠状病毒相关的出版物。在这里，我们介绍了CO-Search，这是一个检索器-排名器语义搜索引擎，旨在处理对COVID-19文献的复杂查询，可能有助于负担过重的卫生工作者在危机时期找到科学答案。检索器是建立从Siamese-BERT编码器，是线性组成的TF-IDF矢量化，和倒数秩融合的BM 25矢量化。该排名器是由一个多跳问答模块，连同多段摘要摘要调整检索分数。为了解决特定领域和相对有限的数据集，我们生成了文档段落和引用的二分图，创建了130万个（引用标题，段落）元组用于训练编码器。我们根据TREC-COVID信息检索挑战的数据评估了我们的系统。CO-Search在第一轮和第二轮的数据集上获得了最佳性能，包括几个关键指标：归一化折扣累积增益、精度、平均精度和二进制偏好。
2020-06-17 cs.AI cs.CL cs.IR
Effective Transfer Learning for Identifying Similar Questions: Matching User Questions to COVID-19 FAQs
Curai；EightSleep
人们越来越多地在网上搜索他们的医疗问题的答案，但在网上提出医疗问题的速度大大超过了合格的人回答他们的能力。这就留下了许多未回答或未充分回答的问题。这些问题中的许多问题不是唯一的，并且类似问题的可靠识别将使得能够实现更高效和有效的问答方案。COVID-19只会加剧这一问题。几乎每一个政府机构和医疗保健组织都试图通过建立在线常见问题解答来满足用户的信息需求，但人们没有办法提出他们的问题并知道是否在这些页面上得到了回答。虽然许多研究工作都集中在一般问题的相似性的问题，这些方法并没有很好地推广到需要专家知识来确定语义相似性的领域，如医疗领域。在本文中，我们展示了如何预先训练一个神经网络的医疗问题-答案对，然后微调医疗问题-问题对的双重微调方法是一个特别有用的中间任务的最终目标，确定医疗问题的相似性。虽然其他预训练任务在此任务上的准确率低于78.7%，但我们的模型在相同数量的训练样本下达到了82.6%的准确率，在更小的训练集下达到了80.0%的准确率，并且在使用完整的医学问答数据集时达到了84.5%的准确率。我们还描述了一个当前运行的系统，该系统使用训练模型将用户问题与COVID相关的常见问题相匹配。
2020-08-04 cs.CL cs.IR cs.LG
AI- and HPC-enabled Lead Generation for SARS-CoV-2: Models and Processes to Extract Druglike Molecules Contained in Natural Language Text
University of Chicago（芝加哥大学）；Argonne National Laboratory（阿贡国家实验室）；Globus
世界各地的研究人员正在寻求重新利用现有药物或发现新的药物来对抗严重急性呼吸道综合征冠状病毒2（SARS-CoV-2）引起的疾病。此类研究的一个有希望的候选来源是科学文献中报道的在冠状病毒研究背景下具有药物样作用的分子。我们在这里报告一个项目，利用人类和人工智能来检测自由文本中对药物样分子的引用。我们让非专家人员创建一个标记文本语料库，使用这个标记语料库训练一个命名实体识别模型，并使用训练好的模型从198875篇论文的COVID-19开放研究数据集挑战（CORD-19）语料库中提取10912个药物样分子。性能分析表明，我们的自动提取模型可以实现与非专家人类的性能相当。
2021-01-12 cs.CL cs.IR cs.LG
Analyse scientométrique du domaine de l'infectiologie de 2000 à 2020
传染病研究是一个横向科学领域。通过结合受控语言（Medline MeSH词库）和期刊分类（Web of Science）设计特定的语料库。从这个全球语料库中，文章描述了2000年至2020年间该领域前20名国家的出版物及其演变。主题地图显示了世界和法国传染病领域的研究主题。2020年有关新冠肺炎的出版物激增，对传染病的主题图产生了相当明显的影响，并改变了一些国家在该研究领域的地位。结论指出了需要进一步研究的问题，因为在新冠肺炎期间将获得更完整的数据。
2022-02-15 cs.DL cs.IR
A COVID-19 Search Engine (CO-SE) with Transformer-based Architecture
冠状病毒病（COVID-19）是一种由SARS-CoV-2病毒引起的传染病。由于有关COVID-19的文献越来越多，很难获得有关该病毒的准确、最新信息。从业人员、一线工作者和研究人员需要专家专用的方法来了解最新的科学知识和研究成果。然而，有很多关于这个主题的研究论文，这使得它很难跟上最新的研究。这个问题促使我们提出COVID-19搜索引擎（CO-SE）的设计，这是一个算法系统，可以为每个查询（由用户提出）找到相关文档，并通过搜索大型出版物语料库来回答复杂问题。CO-SE有一个在TF-IDF矢量化器上训练的检索器组件，用于从系统中检索相关文档。它还包含一个阅读器组件，该组件包含一个基于transformer的模型，用于读取段落并从检索到的文档中查找与查询相关的答案。该模型的性能优于以前的模型，获得了71.45%的精确匹配率得分和78.55%的语义答案相似度得分。它也优于其他基准数据集，证明了所提出的方法的通用性。
2022-06-07 cs.IR
Changes in Policy Preferences in German Tweets during the COVID Pandemic
Berlin University of Applied Sciences（柏林应用科学大学）；Einstein Center Digital Future（爱因斯坦数字未来中心）
本文构建细粒度政策偏好推文数据集并训练分类模型，分析 2019-2022 年德国 Twitter 语料，发现 COVID 疫情期间政策偏好表达增加，且主要由亲福利、亲教育和亲政府行政效率类别驱动。
2023-07-31 cs.CL cs.CY cs.IR
A Qualitative Evaluation of Language Models on Automatic Question-Answering for COVID-19
Mayo Clinic（梅奥诊所）
COVID-19导致持续的大流行，截至二零二零年六月十二日，已造成超过740万例病例及超过418，000人死亡。COVID-19的高度动态和快速变化的情况使得难以获得有关该疾病的准确，按需信息。在线社区、论坛和社交媒体提供了搜索相关问题和答案或发布问题并向其他成员寻求答案的潜在场所。然而，由于这些网站的性质，总是有数量有限的相关问题和响应，以搜索，并张贴的问题很少立即回答。随着自然语言处理领域的进步，特别是在语言模型领域，设计能够自动回答消费者问题的聊天机器人已经成为可能。然而，这样的模型很少在医疗保健领域中应用和评估，以满足准确和最新的医疗保健数据的信息需求。在本文中，我们提出应用语言模型来自动回答与COVID-19相关的问题，并对生成的回答进行定性评估。我们利用GPT-2语言模型，并应用迁移学习在COVID-19开放研究数据集（CORD-19）语料库上对其进行重新训练。为了提高生成的响应的质量，我们应用了4种不同的方法，即tf-idf，BERT，BioBERT和USE来过滤和保留响应中的相关句子。在性能评估步骤中，我们请两位医学专家对回答进行评分。我们发现，平均而言，BERT和BioBERT在基于相关性的句子过滤任务中的表现优于tf-idf和USE。此外，基于聊天机器人，我们创建了一个用户友好的交互式Web应用程序，可以在线托管。
2020-06-23 cs.AI cs.CL cs.IR
Drugs4Covid: Drug-driven Knowledge Exploitation based on Scientific Publications
Universidad Politécnica de Madrid（马德里理工大学）
在需求增加导致COVID患者缺乏足够药物的情况下，医院药剂师使用了废弃药物或修改了可用药物的剂量。在现有的科学文献中可以找到使用替代药物的一些证据，这些证据可以帮助做出这样的决定。然而，以有效的方式利用大量的文档并不容易，因为药物可能在文本中没有明确的相关性，并且可能在不同的品牌名称下被提及。Drugs 4Covid结合了词嵌入技术和语义网技术，以实现对大型医学文献的药物导向探索。药物和疾病分别根据ATC分类和MeSH类别确定。从CORD-19语料库中已经处理了超过6万篇文章和200万个段落，其中包含COVID-19，SARS和其他相关冠状病毒的信息。已创建了一个开放的药物目录，并通过药物浏览器、关键词引导的文本浏览器和知识图谱公开提供结果。
2020-12-03 cs.AI cs.CL cs.IR
A Comparative Study of Question Answering over Knowledge Bases
University of Information Technology（信息技术大学）；HUTECH University（胡志明市工业大学）；Griffith University（格里菲斯大学）
基于知识库的问答（Questionanswering over knowledge bases，KBQA）技术已经成为一种帮助用户从知识库中提取信息的流行方法。虽然存在几种系统，但选择一种适合特定应用场景的系统是困难的。在这篇文章中，我们提供了六个代表性的KBQA系统在八个基准数据集上的比较研究。在这一过程中，我们研究了各种问题类型、属性、语言和领域，以了解现有系统的困境。最重要的是，我们提出了一个先进的映射算法，以帮助现有的模型，在实现卓越的结果。此外，我们还开发了多语言语料库COVID-KGQA，鼓励COVID-19研究和多语言，以实现未来人工智能的多样性。最后，我们讨论了主要的研究结果及其影响，以及性能指南和一些未来的改进。我们的源代码可以在\url{https://github.com/tamlhp/kbqa}上找到。
2022-11-15 cs.CL cs.DB cs.IR
Navigating the landscape of COVID-19 research through literature analysis: A bird's eye view
National Center for Biotechnology Information (NCBI), NLM, NIH（美国国立医学图书馆国家生物技术信息中心（美国国立卫生研究院））
在与持续的COVID-19大流行的斗争中，及时获得准确的科学文献至关重要。这一前所未有的公共卫生风险促使研究人员对这种疾病进行全面了解，确定治疗这种疾病的药物，开发潜在的疫苗等，这导致了文献的快速增长，截至2020年5月，出版物的数量每20天翻一番。为医学专业人员提供快速分析文献和发现不断增长的知识领域的方法，对于解决他们的问题和信息需求是必要的。在这项研究中，我们分析了LitCovid集合，截至2020年5月15日在PubMed中发现的13，369篇COVID-19相关文章，目的是检查文献的景观，并以便于信息导航和理解的格式呈现。我们通过应用最先进的命名实体识别、分类、聚类和其他NLP技术来实现这一点。通过应用NER工具，我们捕获相关的生物实体（如疾病，体内器官等）。并通过语料库中对它们的讨论程度来评估它们与COVID-19的关系强度。我们还收集了关于COVID-19的各种症状和合并症。我们的聚类算法识别相关术语组所代表的主题，并计算与主题术语相关联的文档对应的聚类。在这些主题中，我们观察到几个持续了几个星期，并有许多相关的文件，以及几个出现作为新的主题与较少的文件。所有的工具和数据都是公开的，这个框架可以应用于任何文献收藏。总之，这些分析产生了一个全面的，综合的COVID-19研究的观点，以促进从文献中发现知识。
2020-09-11 cs.DB cs.DL cs.IR
A Comprehensive Attempt to Research Statement Generation
Peking University（北京大学）
对于研究人员来说，写一份好的研究报告是至关重要的，但需要花费大量的时间和精力。为了帮助研究人员，在本文中，我们提出了研究报告生成（RSG）的任务，旨在总结一个人的研究成果，并帮助准备一个正式的研究报告。针对这一课题，我们进行了包括语料库建设、方法设计、性能评估等多方面的尝试。首先，我们构建了一个RSG数据集，其中包含62个研究声明和相应的1，203篇出版物。由于我们的资源的限制，我们提出了一个实用的RSG方法，确定一个研究人员的研究方向的主题建模和聚类技术和提取突出的句子神经文本摘要。最后，实验表明，我们的方法优于所有的基线具有更好的内容覆盖率和一致性。
2021-04-25 cs.CL cs.IR
