[论文解读] Survey of Text-based Epidemic Intelligence: A Computational Linguistic Perspective
本综述提出了一种基于文本的流行病智能计算语言学框架，将方法分类为健康提及分类（识别与疾病相关的内容）和健康事件检测（追踪时间或空间上的疫情爆发）。综述回顾了自然语言处理技术、标注资源和评估策略，指出了在减少误报、实现实时检测以及整合身体、心理和人畜共患病健康领域重叠综合征方面的关键研究空白。
Epidemic intelligence deals with the detection of disease outbreaks using formal (such as hospital records) and informal sources (such as user-generated text on the web) of information. In this survey, we discuss approaches for epidemic intelligence that use textual datasets, referring to it as `text-based epidemic intelligence'. We view past work in terms of two broad categories: health mention classification (selecting relevant text from a large volume) and health event detection (predicting epidemic events from a collection of relevant text). The focus of our discussion is the underlying computational linguistic techniques in the two categories. The survey also provides details of the state-of-the-art in annotation techniques, resources and evaluation strategies for epidemic intelligence.
研究动机与目标
- 提供一种基于网络非正式文本数据的文本流行病智能计算语言学全面视角。
- 解决利用社交媒体和新闻等非结构化文本早期检测疾病爆发的挑战。
- 识别在减少误报、提升响应时效性和扩展监测覆盖范围（包括重叠综合征）方面的研究空白。
- 评估现有标注资源、评估策略以及健康提及和事件检测的最先进自然语言处理技术。
提出的方法
- 将基于文本的流行病智能划分为两个阶段：健康提及分类（在单个文本中检测与疾病相关的内容）和健康事件检测（随时间或空间聚合并分析相关文本）。
- 回顾用于健康提及分类的计算语言学技术，如医学本体、统计分类器、主题模型和神经网络。
- 应用时间序列和空间分析方法，包括指数加权移动平均法，以检测时间和地理上的疾病爆发。
- 使用标准指标评估性能，并强调任务特定特征和自然语言处理组件中流水线集成的重要性。
- 提出整合隐喻语言检测和垃圾信息过滤，以提高精度并减少误报。
- 探索通过共享症状建模，整合身体疾病、心理健康和人畜共患病监测的潜力。
实验结果
研究问题
- RQ1计算语言学技术如何提升从非结构化文本中检测疾病爆发的准确性和效率？
- RQ2在社交媒体中，如何区分字面健康提及与隐喻性或非临床语言？
- RQ3健康事件检测系统如何实现实时性能以支持及时的公共卫生响应？
- RQ4通过何种方式可对身体、心理和动物健康之间的重叠综合征和症状进行建模，以增强监测覆盖范围？
- RQ5医学本体和结构化知识库在提升基于文本的流行病智能系统性能方面发挥什么作用？
主要发现
- 超过60%的初期疫情报告源自社交媒体和在线论坛等非正式文本来源。
- 健康提及分类在使用医学本体和任务特定特征方面显著受益，从而提高检测精度。
- 在个人健康提及检测之前整合目标识别，可提升下游健康事件检测的性能。
- 误报仍是主要挑战，尤其由于社交媒体中的隐喻语言和垃圾信息，亟需改进过滤技术。
- 利用社交媒体数据实现实时疫情检测是可行的，尽管在数据整合和事件建模方面仍存在挑战。
- 未来的流行病智能系统应通过建模共享症状模式，整合相关综合征（如心理健康和人畜共患病）。”
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。