XiaoMi-AI文件搜索系统
World File Search System推文
胰岛素定价和其他主要糖尿病有关的问题：2017年至2019年之间的46个407推文的研究
摘要引言几乎没有研究通过社交媒体进行系统地评估糖尿病患者的关注，这是社交变革的有力工具，并更好地了解与健康相关问题的看法。本研究旨在确定美国与糖尿病相关的关键问题以及使用Twitter上共享的信息相关的主要情绪。研究设计和方法在2017年4月至2019年4月之间收集了总共1170万与糖尿病有关的英文推文。机器学习方法用于过滤带有个人内容的推文，将其Geolocate（到美国）和识别具有情感元素的推文群。然后将情感分析应用于每个集群。结果，我们确定了46个407推文，其中有30个群集在美国的情感元素； 5个集群（占18％的推文）与胰岛素定价有关，既有积极的情绪（喜悦，爱），指的是倡导负担得起的胰岛素和与胰岛素价格挫败感有关的悲伤情绪，5个集群（占12％的推文）（12％的推文）都可以团结一致，并表达了欢乐和爱情的主要感和支持。最负面的主题（10％的推文）与糖尿病困扰有关（24％的悲伤，27％的愤怒，21％的恐惧元素），糖尿病和胰岛素冲击（45％的愤怒，46％的恐惧）和合并症（40％的悲伤）。使用社交媒体数据的结论，我们能够描述与糖尿病有关的关键问题及其相关情绪。更具体地说，我们能够强调胰岛素定价及其对情绪的负面影响的现实问题。使用此类数据可能是当前措施的有用补充，这些措施涉及公共决策，围绕糖尿病患者的关注和负担。
存在于2025年：在推文，模因和Tiktok视频中以性别歧视的识别和表征分歧
摘要。本文描述了存在于2025年的社交网络中性别歧视识别的实验室，该实验室预计将在CLEF 2025会议上举行，代表了现有挑战的第五版。该实验室包括两种语言，英语和西班牙语的九项任务，这些任务与三种不同类型的数据相同的三个任务（性别歧视，来源意图检测和性别歧视分类）。这种多媒体方法将有助于确定跨媒体格式和用户互动的性别歧视的趋势和模式，从而有助于更深入地了解社会动态。与2023年和2024年存在一样，该版本将使用“以分歧”的方式使用“学习”。九个任务的数据集将包括来自多个注释的注释，显示不同甚至相互矛盾的意见。这有助于模型从不同的角度学习，使它们更好地理解一系列人类观点，并为有效的以人为本的解决方案发展。
大学如何推文有关研究？大学研究推文的内容，立场和参与策略的纪律变化（urts
结果表明，大学研究推文具有一系列旨在促进有限可用空间研究的组织，符号和语言特征。 div>但是，在使用这些特征时，观察到一些学科差异。 div>例如，CMMM推文更有可能包含传统运动，例如“基金会”或“方法”，并且他们采取了立场来强调作者的权威并强调研究的重要性。 div>csh推文更多地通过“指导”和“行动”运动吸引读者，并诉诸更多资源，以创建接近和寻求关注。 div>我们通过提出一些未来的研究途径来得出结论。 div>
埃隆马斯克的推文对比特币价格的影响......
加密货币的受欢迎程度呈天文数字上升，并催生了一种革命性的新支付和投资方式。这些由区块链支持的证券不仅成功吸引了华尔街的鲨鱼，也吸引了散户投资者。这种飞速增长导致加密货币和区块链的市值飙升。比特币是有史以来第一个领先的加密货币，其市值已超过 7830 亿美元。到 2023 年，所有加密货币的总市值预计将超过 10877 亿美元。尽管这些数字惊人，但加密货币市场一直在努力解决的一个问题是高波动性。与传统市场一样，加密市场容易因新闻发展和投机而波动，从而加剧价格波动。然而，由于加密市场的流动性短缺，这种影响被夸大了，任何小新闻或猜测都可能导致价格波动。埃隆·马斯克 (Elon Musk) 位列全球最富有的人和最富有的人之列。加密货币市场波动性的最大推动者是埃隆·马斯克，因为他在 Twitter 上有 5800 万粉丝，并且他发布了关于比特币和狗狗币等加密货币的令人费解的推文。在他的几条推文之后，交易量明显高于平常。研究人员认为，社交媒体活动会影响这些动向；因此，像埃隆·马斯克这样的有影响力的人可以显著影响加密货币。该项目旨在研究埃隆·马斯克在 Twitter 上的相关活动及其对加密货币市场的影响。该项目的目标是研究埃隆·马斯克的推文对比特币和狗狗币以及价格预测的影响。为了实现这一目标，该项目提出了各种模型，例如自回归模型、移动平均模型和自回归综合移动平均模型。基于对数似然、修正赤池信息准则和贝叶斯信息准则等各种指标，选择最佳模型来预测未来。
强大的工具还是太强大？关于400万条推文
血清电泳（SPEP）是一种用于分析血液中最重要蛋白质的分布的方法。主要的临床问题是存在抗体（M蛋白/副蛋白）的单克隆分数，这对于诊断和下血液学疾病（例如多发性骨髓瘤）至关重要。最近的研究表明，可以通过例如检查蛋白质聚糖模式来跟踪肿瘤手术，可以使用机器学习来评估蛋白质电泳。在这项研究中，我们比较了26种不同的决策树算法，通过使用来自血清蛋白质毛细血管电泳的数值数据，以鉴定人血清中M蛋白的存在。对于数据的自动检测和聚类，我们使用了一个由67,073个样本组成的匿名数据集。我们发现了五种具有较高能力检测M蛋白质的方法：额外的树（ET），随机拟合（RF），直方机分级增强回收期（HGBR），轻梯度增强方法（LGBM）和极端梯度增强（XGB）。此外，我们实施了一种游戏方法来披露数据集中的哪些功能，这些功能表明了由此产生的M蛋白诊断。结果验证了伽马球蛋白的馏分和β球蛋白分数的一部分是电泳分析的最重要特征，从而增强了我们方法的可靠性。最后，我们测试了分类的M蛋白质同种型的算法，其中ET和XGB在测试的五种算法中表现出最佳性能。我们的结果表明，血清毛细管电泳与决策树算法相结合，在应用M蛋白的快速，准确鉴定方面具有巨大的潜力。此外，这些方法将适用于各种血液分析，例如血红蛋白病，表明诊断范围广泛。但是，对于M蛋白质同种型分类，将机器学习解决方案与毛细血管电泳的数值数据与凝胶电泳图像数据相结合是最有利的。
推文tick tick：关于twitter上有关勾号的风险交流的定量内容分析
结果：在Twitter沟通中有关tick风险的交流，超过一半（55.3％）的推文缺乏任何视觉内容。在带有视觉效果的推文中，静态照片和插图/渲染图像是最常用的形式。个人，新闻和卫生/政府组织是主要的高音扬声器。此外，大多数推文都使用情境意识，工具获取和研究框架，并且处于损失框架中。大约一半（48.8％）的推文以负面的方式突出显示不利后果或框架风险准备。带有视觉辅助的推文的参与率更高，而具有URL的推文则没有。最后，推文使用不同的准备响应框架，并倾向于使用不同的增益/损失框架。特别是，强调情境意识的推文提醒公众有关tick虫和滴答疾病的信息，主要利用损失框架，强调了比工具获取或研究框架更高的风险。
评估相关推文的可靠性并使用手动和自动方法进行验证以进行洪水风险沟通
摘要：虽然 Twitter 一直被誉为有关灾害事件的最新信息的卓越来源，但推文的可靠性仍然令人担忧。我们之前的出版物提取了包含有关 2013 年科罗拉多州洪水事件及其影响的信息的相关推文。使用相关推文，本研究通过检查文本和图像内容并将其与其他公开可用的数据源进行比较，进一步检查了推文的可靠性（准确性和真实性）。我们实施了文本信息的手动识别和图像的自动（Google Cloud Vision、应用程序编程接口 (API)）提取，以平衡准确的信息验证和高效的处理时间。结果表明，文本和图像都包含有关受损/被洪水淹没的道路/街道的有用信息。当足够多的推文包含地理坐标或位置/场地名称时，这些信息将有助于应急响应协调工作和明智的资源分配。本研究将确定可靠的众包风险信息，以通过更好地利用众包风险通信平台来促进近乎实时的应急响应。
澳大利亚 Twitter 用户关于 COVID-19 疫苗接种的推文主题和情绪：机器学习分析
背景：COVID-19 是近代历史上对人类医疗保健、经济和社会的最大威胁之一。到目前为止，尚无缓解迹象，也没有被证实有效的治疗方法。疫苗接种是预防新型冠状病毒的主要生物医学措施。然而，社交媒体上反映的公众偏见或情绪可能会对实现群体免疫的进程产生重大影响。目的：本研究旨在使用机器学习方法提取 Twitter 上与 COVID-19 疫苗接种相关的主题和情绪。方法：我们在 2020 年 1 月至 10 月期间从澳大利亚 Twitter 用户那里收集了 31,100 条包含 COVID-19 疫苗相关关键词的英文推文。具体来说，我们通过可视化高频词云和词元之间的相关性来分析推文。我们建立了一个潜在狄利克雷分配 (LDA) 主题模型来识别大量推文样本中经常讨论的主题。我们还进行了情绪分析，以了解澳大利亚与 COVID-19 疫苗接种相关的整体情绪和情感。结果：我们的分析确定了 3 个 LDA 主题：（1）对 COVID-19 及其疫苗接种的态度，（2）提倡针对 COVID-19 的感染控制措施，以及（3）对 COVID-19 控制的误解和抱怨。所有推文中近三分之二的情绪表达了对 COVID-19 疫苗的积极公众看法；约三分之一是负面的。在 8 种基本情绪中，信任和期待是推文中观察到的两种突出的积极情绪，而恐惧是最主要的负面情绪。结论：我们的研究结果表明，澳大利亚的一些 Twitter 用户支持针对 COVID-19 的感染控制措施并驳斥了错误信息。然而，那些低估了 COVID-19 的风险和严重性的人可能会用阴谋论来合理化他们对 COVID-19 疫苗接种的立场。我们还注意到，公众的积极情绪水平可能不足以将疫苗接种覆盖率提高到足够高的水平以实现疫苗诱导的群体免疫。各国政府应了解公众对COVID-19和COVID-19疫苗接种的看法和情绪，并在支持COVID-19疫苗的开发和临床管理之外实施有效的疫苗接种推广计划。
使用深度学习对非正式马来语推文进行情感分析
Twitter 是一个在线微博和社交网络平台，用户可以撰写简短的消息（称为推文）。它拥有超过 3.3 亿注册用户，每天生成近 2.5 亿条推文。由于马来语是马来西亚的国语，因此有相当多的用户使用马来语发推文。推文的最大长度为 140 个字符，这迫使用户专注于他们想要传播的信息。这一特点使推文成为情绪分析的一个有趣主题。情绪分析是一种自然语言处理 (NLP) 任务，用于对推文是具有积极情绪还是消极情绪进行分类。本研究选择马来语推文，因为对这种语言的研究有限。在这项研究中，我们使用深度学习模型对马来语推文进行情绪分析。我们实现了 77.59% 的准确率，超过了对印尼语的类似工作。