'Debunk-It-Yourself': Health Professionals' Strategies for Responding to Misinformation on TikTok
针对社交媒体平台未能有效履行揭穿错误信息责任的问题，本研究探索了医疗专业人员在TikTok上开展“自己动手揭穿”的策略，揭示其流程与独特性并提供应对建议。
2024-12-06 cs.CR cs.CY cs.HC
Catching Zika Fever: Application of Crowdsourcing and Machine Learning for Tracking Health Misinformation on Twitter
2016年2月，世界卫生组织宣布寨卡疫情为国际关注的突发公共卫生事件。随着越来越多的证据表明它可能导致出生缺陷，以及夏季奥运会即将在受影响最严重的国家巴西举行，该病毒在社交媒体上引起了轰动。在这项工作中，使用寨卡病毒作为案例研究，建立一个工具来跟踪Twitter上围绕健康问题的错误信息。我们收集了超过1300万条推文-跨越2016年2月和夏季奥运会的初步报告-关于寨卡疫情，并跟踪世界卫生组织和Snopes事实检查网站概述的谣言。该工具管道结合了卫生专业人员、众包和机器学习，使我们能够捕捉世界各地与健康相关的谣言，以及知名卫生组织的澄清活动。在寨卡病毒的情况下，我们发现了一个非常突发的行为的谣言相关的主题，并表明，一旦检测到可疑的主题，它是可以识别谣言轴承推文使用自动化技术。因此，我们举例说明了所提出的工具对社交媒体上潜在有害信息的见解，使公共卫生研究人员和从业人员能够采取有针对性的及时行动。
2017-07-12 cs.CY cs.SI
Abortion Misinformation on TikTok: Rampant Content, Lax Moderation, and Vivid User Experiences
致力于健康错误信息的科学努力主要集中在误导性疫苗和传染病声称对公共卫生的影响上。然而，在最高法院决定推翻罗伊诉韦德案（Roe v. Wade）之后，堕胎错误信息的扩散凸显了科学界对个人健康相关错误信息的关注存在差距。为了解决这一差距，我们对60名TikTok用户进行了一项研究，以揭示他们对堕胎错误信息的体验，以及他们对该平台上误导性视频内容的概念化、评估和回应方式。我们的研究结果表明，用户大多遇到短期视频建议草药“在家”的补救措施终止妊娠。虽然许多参与者对科学揭穿的“堕胎替代品”持谨慎态度，但整个样本中约有30%的人相信其安全性和有效性。即使是一个明确的揭穿标签附加到一个误导性的堕胎视频的危害“在家里”并没有帮助三分之一的参与者驳回视频关于自我管理堕胎作为错误信息。我们讨论了我们的研究结果对未来参与TikTok和社交媒体上辩论的其他两极分化话题的影响。
2023-01-12 cs.CY cs.SI
Advanced Health Misinformation Detection Through Hybrid CNN-LSTM Models Informed by the Elaboration Likelihood Model (ELM)
Manchester Metropolitan University（曼彻斯特城市大学）
本研究基于详尽可能性模型（ELM）提取文本可读性等特征，构建混合CNN-LSTM模型用于检测社交媒体健康错误信息，显著提升了分类的准确率与可靠性。
2025-07-12 cs.AI cs.CY cs.LG
Evaluating Health Misinformation in Low-Resource Languages: Integrating Small Language Models with a Culturally-Sensitive Responsible NLP Framework (Bangla as a Case Study)
Western Sydney University（西悉尼大学）；Microsoft（微软公司）；Excelsia College（埃克塞尔西亚学院）；Faulconbridge Health Centre（福尔康布里奇健康中心）
研究针对低资源语言中健康错误信息难检测问题，提出结合小语言模型与文化敏感的负责任自然语言处理框架，以孟加拉语为例进行实验，证明Phi-4表现优，还设计新框架，为评估低资源语言错误信息提供整体视角。
2026-07-15 cs.AI cs.CL cs.CY
Medical Misinformation in AI-Assisted Self-Diagnosis: Development of a Method (EvalPrompt) for Analyzing Large Language Models
本研究提出EvalPrompt方法，利用医学执照考试题评估ChatGPT等LLM在自我诊断中的清晰度、正确性和鲁棒性，发现其回答常不清晰不准确，需谨慎对待，并呼吁开发全面自我诊断数据集以提升可靠性。
2025-03-28 cs.CY
A Dashboard Approach to Monitoring Mpox-Related Discourse and Misinformation on Social Media
本研究开发了一个面向研究人员的交互式仪表盘，用于搜索和可视化猴痘相关推文，以支持公共卫生利益相关者监测社交媒体讨论和错误信息，并发现2024年8月CDC指定猴痘为新兴病毒后推文量显著增加。
2025-05-26 cs.CY cs.HC cs.SI
Web data mining for public health purposes
长期以来，一直在监测公共卫生事件，如疾病发生率或疫苗接种活动，以跟踪人口的健康状况，从而能够评估公共卫生举措的效果，并决定用于改善公共卫生的资源的最佳用途。本文主要研究了Web数据采掘在公共卫生监测中的应用，主要研究内容包括：从Web挖掘数据中预测公共卫生事件的新方法; Web挖掘数据在公共卫生监测中的新应用。
2019-05-02 cs.CY cs.IR
Intellectual Humility as a Cognitive Filter for AI-Generated Health Misinformation. An Evolutionary Perspective on Epistemic Vigilance
Maria Curie-Skłodowska University（玛丽亚·居里-斯克沃多夫斯卡大学）；IDEAS Research Institute（IDEAS研究所）；Poznan University of Medical Sciences（波兹南医科大学）
通过实验(N=99)发现，智力谦逊（对认知局限的元认知意识）能选择性过滤AI生成的健康对话中的伪科学内容，但对准确内容的可信度评估无显著影响，且谦逊与识别AI来源的能力无关，表明认知警觉作用于内容质量而非来源归因。
2026-06-12 cs.CY cs.HC
An Advanced Conceptual Diagnostic Healthcare Framework for Diabetes and Cardiovascular Disorders
数据采掘与新兴的计算技术一起，对医疗保健行业产生了巨大的影响。研究人员使用不同的数据采掘和物联网（IoT）为糖尿病和心脏病患者提供编程解决方案。然而，仍然需要更先进和统一的解决方案，可以为个体糖尿病和心脏病患者提供治疗意见。因此，在这里，提出了一种基于智能数据采掘和物联网（SMDIoT）的高级医疗保健系统，用于熟练的糖尿病和心血管疾病。数据采掘和物联网与其他新兴计算技术的混合应该为糖尿病和心脏病患者提供有效和经济的解决方案。SMDIoT融合了数据采掘、物联网、聊天机器人、上下文实体搜索（CES）、生物传感器、语义分析和粒度计算（GC）的思想。所提出的系统的生物传感器有助于获得有关患者的当前和精确的状态，以便在紧急情况下，可以提供必要的医疗援助。新颖之处在于混合框架以及对聊天机器人、粒度计算、上下文实体搜索和语义分析的充分支持。这一系统的实际实施非常具有挑战性，成本也很高。然而，它似乎是糖尿病和心脏病患者更有效和经济的解决方案。
2019-01-13 cs.CY
Using text mining and machine learning for detection of child abuse
任何形式的虐待都是对儿童健康的严重威胁。荷兰的公共卫生机构努力查明和防止各种虐待，建立决策支持系统可以帮助这些机构实现这一目标。这种决策支持依赖于对相关儿童健康数据的分析。这些机构拥有的儿童医疗数据中有很大一部分是非结构化的，并且是以自由文本注释的形式。在这项研究中，我们采用机器学习和文本挖掘技术来检测数据中可能存在的虐待儿童的模式。由此产生的模型在对可能的虐待案件进行分类方面取得了很高的分数。然后，我们描述了我们在荷兰的一个市政当局的决策支持API的实施。
2016-11-16 cs.CY
WhatsApp Vaccine Discourse (WhaVax): An Expert-Annotated Dataset and Benchmark for Health Misinformation Detection
Universidade Federal de Minas Gerais (UFMG)（巴西联邦大学矿务学院）
本文介绍了WhaVax数据集，用于检测健康虚假信息，通过专家标注和多阶段协议生成高质量数据集，并评估了不同模型在数据稀缺条件下的表现。
2026-03-25 cs.CL cs.CY cs.SI
Proposing a conceptual framework: social media listening for public health behavior
University of Waterloo（滑铁卢大学）；School of Public Health Sciences, Faculty of Health（健康学院公共卫生科学学院）
针对公共卫生错误信息研究缺乏专用框架的问题，本研究综合现有传播与行为理论，提出了基于社交媒体倾听的概念框架，并演示了其在理解公共话语中的应用。
2023-07-30 cs.CL cs.CY cs.SI
Simulation of Patient Flow in Multiple Healthcare Units using Process and Data Mining Techniques for Model Identification
简介：介绍了一种建立患者流混合模拟的方法，该方法结合了用于模型识别自动化的数据驱动方法。该方法描述了一个概念框架和不同技术相结合的基本方法。所提出的方法模拟急性冠状动脉综合征（ACS）的实施开发和实验研究中使用。研究方法：提出了将数据、文本和过程挖掘技术与机器学习方法相结合，对电子病历进行分析，并结合离散事件模拟（DES）和排队论对患者流程进行模拟。对ACS患者的EHR进行的分析能够识别几类临床路径（CP），这些临床路径用于实现更逼真的患者流模拟。开发的解决方案使用Python库（SimPy，SciPy等）实现。结果：所提出的方法可以更真实和详细的模拟一组相关部门内的病人流。实验研究表明，改进的模拟ACS患者流的患者住院时间从EHR在俄罗斯圣彼得堡的联邦Almazov西北医学研究中心。结论：所提出的途径、方法和解决方案提供了概念上的、方法上的和编程框架，用于在患者流内实现复杂和多样化的场景的模拟，以用于不同的目的：决策制定、培训、管理优化等。
2018-01-22 cs.CY
Mining social media data for biomedical signals and health-related behavior
社交媒体数据越来越多地用于研究生物医学和健康相关现象。从群体层面的讨论到全球层面的情绪分析，社交媒体为科学家提供了前所未有的大量数据，以研究与各种健康状况和医疗相关的人类行为和反应。在这里，我们回顾了最近的工作在挖掘社会媒体的生物医学，流行病学和社会现象的信息相关的人类健康的多层次的复杂性。我们特别关注社交媒体数据分析取得最大进展的主题，包括药物警戒、情感分析（特别是针对心理健康）和其他领域。我们还讨论了社交媒体数据在健康相关应用中的各种创新用途，以及社交媒体数据访问和使用的重要限制。
2020-01-28 cs.CY cs.SI q-bio.QM
Process Mining-Driven Analysis of the COVID19 Impact on the Vaccinations of Victorian Patients
过程挖掘是介于数据采掘和过程科学之间的一门学科，其目标是提供分析过程执行数据（称为事件日志）的理论方法和软件工具。虽然流程挖掘最初的设想是为了促进业务流程管理活动，但研究表明，在不同的环境中（包括医疗保健）利用流程挖掘工具的好处。然而，应用流程挖掘工具来分析医疗保健流程执行数据并不简单。在本文中，我们报告了一个事件日志记录超过3000万事件捕获超过100万例患者在维多利亚州的全科医疗保健过程的分析-澳大利亚-超过五年。我们的分析使我们能够了解最先进的流程挖掘技术在处理高度可变的流程和大型数据集时的优势和局限性。虽然我们为已确定的局限性提供了解决方案，但本研究的总体目标是检测2020年（COVID-19大流行和强制性封锁期间）观察到的患者卫生服务利用模式与之前四年（2016年至2019年）观察到的模式之间的差异。通过结合使用过程挖掘技术和传统的数据采掘，我们能够证明维多利亚州的疫苗接种并没有像其他相互作用那样急剧下降。相反，我们观察到2020年流感和肺炎球菌疫苗接种激增，与在不同地区进行的类似研究的研究结果相矛盾。
2021-12-10 cs.CY cs.DB
The Dynamics of (Not) Unfollowing Misinformation Spreaders
本研究追踪90万关注者六个月，发现错误信息联系高度持久，月取消关注率仅0.52%，且冗余性和意识形态是主要预测因素，表明需外部干预并重在预防。
2024-02-17 cs.CY cs.HC cs.SI
Mining of health and disease events on Twitter: validating search protocols within the setting of Indonesia
这项研究旨在验证一个搜索协议的不健康相关的条款，使用Twitter的数据，可以用来了解如果，以及如何，Twitter可以揭示信息的当前健康状况。我们使用一组预定义的关键字提取与Twitter上的健康和疾病帖子相关的对话，评估这些对话中此类内容的流行率，频率和时间，并验证此搜索协议如何能够检测相关的疾病推文。分类和回归树（CART）算法被用来训练和测试搜索协议的疾病和健康的命中相比，我们的团队确定。预测的准确性显示出良好的有效性，AUC超过0.8。我们的研究表明，对Twitter上公众情绪的监测可以作为健康事件的实时代理。
2017-05-28 cs.CY cs.SI stat.ML
A Machine Learning Application for Raising WASH Awareness in the Times of COVID-19 Pandemic
Shiv Nadar University；Indraprastha Institute of Information Technology, Delhi（德里英迪拉普拉斯塔信息技术学院）；All India Institute of Medical Sciences（全印度医学科学研究所）；GL Bajaj Institute Of Tech and Management（GL Bajaj 技术与管理学院）；Netaji Subhas University of Technology（Netaji Subhas 技术大学）
背景：COVID-19大流行揭示了数字错误信息在塑造国家健康方面的潜力。未经核实的信息泛滥，传播速度超过了疫情本身，这是一种前所未有的现象，使数百万人的生命处于危险之中。缓解这种信息流行病需要强大的健康信息系统，这些系统具有吸引力，本地化，可扩展，有效并不断学习新的错误信息模式。目的：我们创建了WashKaro，这是一种多管齐下的干预措施，通过对话AI，机器翻译和自然语言处理来减少错误信息。WashKaro通过人工智能提供与世卫组织指南相匹配的正确信息，并以当地语言以正确的格式提供。研究方法：我们理论化（i）一个基于NLP的AI引擎，它可以不断地结合用户反馈来提高信息的相关性，（ii）当地语言中的一口大小的音频，以提高性别识字率不平衡的国家的识字率，以及（iii）与用户进行对话但互动的AI参与，以提高社区的健康意识。结果：共有5026人在研究窗口期间下载了该应用程序，其中1545人是活跃用户。我们的研究表明，与男性相比，使用印地语应用程序的女性人数是男性的3.4倍，在连续机器学习的45天内，人工智能过滤的新闻内容的相关性翻了一番，集成人工智能聊天机器人Satya的谨慎性增加，从而证明了移动健康平台在减少健康错误信息方面的有用性。结论：我们的结论是，多管齐下的机器学习应用程序提供本地化的一口大小的音频和对话式人工智能是一种有效的方法，以减轻健康错误信息。
2020-10-30 cs.CL cs.CY cs.LG
Contextual Consent: Ethical Mining of Social Media for Health Research
社交媒体是数据采掘和以用户为中心的研究的一个丰富的洞察力来源，但在研究这些数据时，如果没有创建者的明确知识，就会出现同意的问题。从Facebook和Twitter等在线服务的用户那里挖掘社交数据的案例研究变得越来越普遍。这导致人们呼吁公开讨论研究人员如何最好地利用这些巨大的资源，在尊重基本伦理原则的同时做出创新性的发现。在这份立场文件中，我们强调了这一主题的一些关键考虑因素，并认为知情同意的条件往往得不到满足，使用一些人认为可以自由访问和分析的社交媒体数据可能会导致不良后果，特别是在健康研究和其他敏感主题领域。我们认为，成功利用在线个人数据，特别是用于健康和其他敏感研究，需要新的和可用的方法来获得用户的同意。
2017-01-26 cs.CY cs.HC cs.SI
Trustworthiness Evaluations of Search Results: The Impact of Rank and Misinformation
通过三项 Covid-19 相关在线实验，研究排名、错误信息和警告横幅对搜索结果可信度的影响，发现高排名结果点击更多但未必更受信任，且通用警告可能适得其反。
2023-09-20 cs.CY cs.HC
Supporters and Skeptics: LLM-based Analysis of Engagement with Mental Health (Mis)Information Content on Video-sharing Platforms
Georgia Institute of Technology（佐治亚理工学院）；Rowan University（罗文大学）；Zucker Hillside Hospital, Psychiatry Research（扎克山坡医院精神病学研究部）；Hofstra University（霍夫斯特拉大学）
本文首次基于YouTube Shorts和BitChute构建心理健康错误信息数据集MentalMisinfo，利用大语言模型少样本学习检测错误信息视频，并揭示受众评论互动的语言模式及其加剧污名化的风险。
2024-07-02 cs.CL cs.CY cs.SI
Moral Emotions Shape the Virality of COVID-19 Misinformation on Social Media
虽然虚假谣言对成功战胜COVID-19大流行构成威胁，但对谣言如何在在线社交网络中传播的理解-即使是在非危机情况下-仍处于起步阶段。在这里，我们分析了一个由来自Twitter的COVID-19谣言级联组成的大样本，这些谣言已经过第三方组织的事实核查。该数据包括N= 10，610个谣言级联，已被转发超过2400万次。我们调查了COVID-19错误信息是否比真相传播得更快，以及真假谣言传播的差异是否可以用它们所携带的道德情感来解释。我们观察到，平均而言，COVID-19错误信息比真实信息更容易传播。然而，真实性效应受到道德情感的调节：如果源推文嵌入大量谴责他人的情感词，则虚假谣言比真相更具病毒性，而更多的自我意识情感词则与较少的病毒性传播有关。这种影响对于健康错误信息和虚假政治谣言都很明显。这些发现提供了关于真实与虚假谣言如何传播的见解，并强调了在社交媒体内容中考虑道德情感家族情绪的重要性。
2022-02-08 cs.CY cs.SI
Determining Health Utilities through Data Mining of Social Media
“健康效用”衡量的是患者对完美健康的偏好，而不是特定的不健康状态，如哮喘、髋关节骨折或结肠癌。当随着时间的推移进行整合时，这些估计被称为质量调整生命年（QELS）。到目前为止，描述卫生事业（HU）需要详细的患者访谈或书面调查。这些数据虽然可靠和具体，但由于要努力寻找、招募和协调参与者，费用仍然很高。因此，所审查的疾病的范围、背景和时间性仍然有限。现在有超过10亿人使用社交媒体，我们提出了一种新的策略：使用自然语言处理来分析公共在线对话，以获得医疗状况严重程度的信号，并使用机器学习将这些信号与已知的HU相关联。在这项工作中，我们过滤了一个数据集，该数据集最初包含60种疾病的20亿条推文。使用这些数据，我们的算法成功地区分了轻度和重度疾病，这些疾病以前只能通过传统技术进行分类。这代表了两个相关应用的进展：第一，在不存在此类信息的情况下预测HU;第二，（在已经存在丰富HU数据的情况下）通过数据采掘估计疾病严重性的时间或地理模式。
2016-08-13 cs.AI cs.CL cs.CY
Prediction of Malignant & Benign Breast Cancer: A Data Mining Approach in Healthcare Applications
National University of Science and Technology-MiSiS（国立科学技术大学（米西斯））；GIET University（GIET大学）；Innopolis University（Innopolis大学）；Hue College of Industry（顺化工业学院）；Malaviya National Institute of Technology（马拉维亚国家理工学院）
尽管数据科学在任何地方都发挥着关键作用，但医疗保健也发现了它的突出应用。乳腺癌是女性中最受关注的癌症类型;仅夺去627，000人的生命。乳腺癌的高死亡率确实需要关注，以便早期发现，以便及时预防。数据采掘作为一种潜在的先进技术发展的贡献者，在预测乳腺癌中发现了多方面的应用。本研究的重点是不同的分类技术实现数据采掘在预测恶性和良性乳腺癌。来自UCI存储库的乳腺癌威斯康星数据集已被用作实验数据集，而属性块厚度被用作评估类。在此数据集上分析了AdaBoostM 1、DecisionTable、JRip、LazyIBK、LogisticRegression、MulticlassClassifier、MultilayerPerceptron、NaiveBayes、随机森林和RandomTree等12种算法的性能。关键词-数据采掘，分类技术，UCI知识库，乳腺癌，分类算法
2019-02-23 cs.CY cs.LG stat.ML
Impact of COVID-19 Policies and Misinformation on Social Unrest
Los Alamos National Lab（洛斯阿拉莫斯国家实验室）；University of California, Berkeley（加州大学伯克利分校）
新型冠状病毒病（COVID-19）大流行影响了地球的每一个角落，扰乱了政府并导致社会经济不稳定。这场危机引发了一些问题，即在变革和压力时期，社会不同部门如何相互作用和相互影响。鉴于这一大流行病对经济和社会产生了前所未有的影响，许多新的数据来源已经出现，使我们能够定量地探索这些关联。了解这些关系可以帮助我们更好地为未来的灾害做好准备，并减轻影响。在这里，我们专注于社会动荡（抗议），健康结果，公共卫生秩序，并在西欧的八个国家和美国的四个地区的错误信息之间的相互作用。我们创建了1-3周的预测，用于识别高抗议活动的时间和随着时间的推移的整体抗议计数的二元抗议指标。我们发现，除了比利时，所有地区的各种数据流中至少有一个特征可以预测抗议活动。然而，抗议预测的准确性因国家而异，也就是说，对于大约一半的分析国家，我们的预测优于简单的模型。这些混合的结果表明，不同的数据流有可能预测像抗议活动这样动荡的话题，以及预测像流行病一样迅速演变的情况的困难。
2021-10-07 cs.CY cs.LG stat.AP
Modeling the amplification of epidemic spread by individuals exposed to misinformation on social media
Luddy School of Informatics, Computing, and Engineering, Indiana University（印第安纳大学卢迪信息、计算与工程学院）；Department of Electronics, Information and Bioengineering, Politecnico di Milano（米兰理工大学电子、信息与生物工程系）
本文通过构建传染病模型，研究社交媒体上的虚假信息如何放大传染病传播，评估不同场景下疫苗接种率和感染人数的影响。
2025-01-29 cs.CY cs.SI physics.soc-ph
Facts and Fabrications about Ebola: A Twitter Based Study
像Twitter这样的微博网站已经被证明在几秒钟内在全球范围内传播信息非常有用。然而，这些平台的不利影响是，错误信息和谣言也可能像可信的、经过验证的信息一样在网络上传播。从公共卫生的角度来看，错误信息的传播给公众造成了不必要的恐慌。我们最近在2014年埃博拉疫情期间目睹了几个这样的场景[14，1]。为了及时有效地反击医疗错误信息，我们的目标是研究2014年秋季北美确诊少数埃博拉病例时美国此类错误信息和谣言的性质。在Twitter上，使用主题标签来为Twitter消息（tweet）提供上下文是一个众所周知的惯例。在这项研究中，我们从Twitter流媒体API中收集了大约4700万条与埃博拉病毒相关的推文。基于主题标签，我们提出了一种方法来分类的推文分为两组：可信和投机。我们分析了这两组，并研究它们在从Twitter API中提取的一些特征方面的差异。最后，我们推断出两组之间的几个有趣的差异。我们概述了进一步的潜在方向，使用这些材料来监测和分离投机性推文与可信的推文，以改善公共卫生信息。
2015-08-09 cs.CY cs.SI
Yoga-Veganism: Correlation Mining of Twitter Health Data
Purdue University（普渡大学）
如今，社交媒体是一个巨大的数据平台。人们通常通过讨论、推特、状态来分享他们的兴趣、想法。不可能手动检查所有数据。我们需要挖掘数据，以探索隐藏的模式或未知的相关性，找出数据中的主导主题，并通过讨论了解人们的兴趣。在这项工作中，我们探索与健康相关的Twitter数据。我们通过主题建模提取Twitter中不同类别（如饮食、运动）下的热门话题，观察模型在新推文上的行为，发现有趣的相关性（如瑜伽-素食主义）。我们通过与地面实况进行比较来评估准确性，使用手动注释训练和测试数据。
2019-06-15 cs.AI cs.CL cs.CY
Mining Social Determinants of Health for Heart Failure Patient 30-Day Readmission via Large Language Model
Department of Computer Science, Emory University（计算机科学系，埃默里大学）；Nell Hodgson Woodruff School of Nursing, Emory University（Nell Hodgson Woodruff护理学院，埃默里大学）
本研究利用大语言模型从临床文本中提取社会健康决定因素，结合逻辑回归分析其与心力衰竭患者30天再入院风险的关联，并识别关键因素以提供减少再入院的可行见解。
2025-01-23 cs.AI cs.CL cs.CY
Facebook's Architecture Undermines Vaccine Misinformation Removal Efforts
错误的信息促进了对科学的不信任，破坏了公共卫生，并可能引发内乱。特别是疫苗的错误信息阻碍了克服COVID-19大流行的努力，促使社交媒体平台试图减少它。一些人质疑“软”内容适度补救措施--例如，标记和降级错误信息-是成功的，这表明增加“硬”内容补救措施-例如，去平台化和内容禁令是必要的。因此，我们研究了Facebook的疫苗错误信息内容删除政策是否有效。在这里，我们表明Facebook的政策减少了反疫苗帖子的数量，但也造成了一些反常的影响：支持疫苗的内容也被删除，与剩余的反疫苗内容的参与一再恢复到政策前的水平，这些内容变得更加错误，政治上更加两极分化，更有可能在用户的新闻源中看到。我们将这些结果解释为Facebook设计目标的意外后果：促进社区形成。致力于疫苗拒绝的社区成员似乎从多个来源寻找错误信息。社区管理员利用Facebook平台提供的几个渠道传播错误信息。我们的研究结果表明，有必要解决社交媒体平台架构如何在管理在线内容传播时围绕错误信息主题实现社区形成和动员。
2022-08-11 cs.CY cs.SI cs.SY
Differential impact from individual versus collective misinformation tagging on the diversity of Twitter (X) information engagement and mobility
本研究利用Twitter数据比较个体与集体错误信息标注的影响，发现个体标注导致用户退缩至信息泡沫，而集体标注（如Community Notes）缓解此效应，维护信息参与多样性。
2025-01-24 cs.CY cs.HC cs.SI
Modelling and Mining of Patient Pathways: A Scoping Review
Laboratório Nacional de Computação Científica（国家科学计算实验室）；Centro Paula Souza（保拉·苏扎中心）；Universidade Federal de Juiz de Fora（茹伊斯迪福拉联邦大学）
病人在卫生系统中就诊和进行的程序的顺序，也称为病人的路径或轨迹，可以揭示关于所采用的临床治疗和所提供的卫生服务的重要信息。电子健康数据可用性的增加使评估大量患者的路径成为可能。然而，在如何综合这些途径以及如何从数据中挖掘这些途径方面也出现了一些挑战，从而促进了一个新的研究领域。这篇评论的目的是调查这一新的研究领域，突出表示模型，挖掘技术，分析方法和案例研究的例子。
2022-06-04 cs.AI cs.CY cs.FL
Mining Twitter to Assess the Determinants of Health Behavior towards Human Papillomavirus Vaccination in the United States
University of Florida（佛罗里达大学）；National Cancer Institute（美国国家癌症研究所）；Macquarie University（麦考瑞大学）；The University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心）；University of Minnesota（明尼苏达大学）
目的探讨使用Twitter数据评估消费者对人乳头瘤病毒（HPV）疫苗接种的健康行为决定因素的可行性。我们使用了2014年至2018年的三个Twitter数据集。我们对推文进行了预处理和地理编码，然后构建了一个基于规则的模型，将每条推文分类为促销信息或消费者讨论。我们应用主题建模来发现主要主题，随后探索了从消费者讨论中了解到的主题与健康信息全国趋势调查（HINTS）中HPV相关问题的回答之间的关联。结果我们收集了2，846，495条推文，并分析了335，681条地理编码的推文。通过主题建模，我们确定了122个高质量的主题。消费者讨论最多的话题是“宫颈癌筛查”;而在促销推文中，最热门的话题是提高对“HPV致癌”的认识。在122个主题中，有87个主题与促销信息和消费者讨论相关。在IBM的指导下，我们检查了Twitter发现与HINTS结果之间的一致性。35个主题可以通过关键字映射到HINTS问题，112个主题可以映射到IBM结构，45个主题在地理分布方面与HINTS响应具有统计学显著相关性。结论挖掘Twitter来评估消费者的健康行为不仅可以获得与调查相当的结果，而且可以通过理论驱动的方法产生额外的见解。尽管存在局限性，但这些令人鼓舞的结果促使我们在不断变化的健康传播环境中开发利用社交媒体的创新方法。
2019-07-06 cs.CY cs.LG cs.SI
"COVID-19 was a FIFA conspiracy #curropt": An Investigation into the Viral Spread of COVID-19 Misinformation
Cornell University（康奈尔大学）
传染性致命疾病COVID-19的爆发表明，大流行病以两种方式袭击公共卫生：第一，来自传染病本身，第二，来自怀疑和耻辱的瘟疫。现在，我们的手中和手机上爆发了一场道德争议。现代社会对社交媒体的依赖不仅方便了人们进入疫苗诊所和测试地点，而且也更频繁地让人们对“COVID-19是国际足联的阴谋”做出了令人费解的解释。麻省理工学院媒体实验室发现，假新闻“比真相传播得更远，更快，更深，更广，在所有类别的信息中，并且是一个数量级”[2]。问题是，错误信息的传播如何与身体流行病相互作用？在本文中，我们使用自然语言处理模型估计错误信息对COVID-19大流行的影响程度，并提供一种策略来打击可能造成广泛伤害的社交媒体帖子。
2022-06-12 cs.CL cs.CY cs.SI
Leveraging Social Determinants of Health in Alzheimer's Research Using LLM-Augmented Literature Mining and Knowledge Graphs
Arizona State University（亚利桑那州立大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Cedars Sinai Medical Center（西达赛奈医疗中心）
针对健康社会决定因素（SDoH）与阿尔茨海默病（AD）关系机制不明的问题，本研究提出LLM增强的文献挖掘与知识图谱整合框架，通过挖掘SDoH知识并与PrimeKG的AD生物实体结合，经图神经网络链接预测验证，为AD及其他SDoH相关研究提供知识发现新工具。
2025-04-16 cs.AI cs.CL cs.CY
Viral Misinformation: The Role of Homophily and Polarization
在在线社交网络（OSN）上无意或有意传播未经证实的谣言（例如，出于政治原因，甚至是拖钓）可能会产生严重后果，例如最近关于埃博拉病毒的谣言对卫生保健工作者造成了干扰。在这里，我们表明，旨在量化信息消费模式的指标可能会提供有关虚假声明的病毒式传播的重要见解。特别是，我们通过分析120万Facebook意大利用户消费不同（和相反）类型的信息（科学和阴谋新闻）的样本，解决了内容流行背后的驱动力。我们发现，用户对不同内容的参与与具有相似消费模式（同质性）的朋友数量相关，这表明社交网络中某些类型的内容更有可能传播的区域。然后，我们测试扩散模式的外部样本的$4,709$故意讽刺的虚假声明，既不存在枢纽（结构属性），也不是最活跃的用户（影响者）是普遍的病毒现象。相反，我们发现，在一个错误信息无处不在的环境中，用户围绕共同信念的聚集可能会使通常暴露于阴谋故事（两极分化）成为虚假信息传播的决定因素。
2014-11-11 cs.CY cs.SI physics.soc-ph
