Leveraging Prompt-Based Large Language Models: Predicting Pandemic Health Decisions and Outcomes Through Social Media Language
作者: Xiaohan Ding, Buse Carik, Uma Sushmitha Gunturi, Valerie Reyna, Eugenia H. Rho
分类: cs.HC, cs.AI, cs.CL, cs.SI
发布日期: 2024-03-01
备注: 20 pages, 4 figures
💡 一句话要点
提出基于提示的大型语言模型以预测疫情健康决策与结果
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 社交媒体分析 公共健康 语言模型 模糊追踪理论 健康传播 疫情决策 多步骤推理
📋 核心要点
- 核心问题：现有方法在分析社交媒体语言与公共健康结果之间的关系时缺乏系统性和实证支持。
- 方法要点：提出RBIC框架，通过多步骤推理提取社交媒体讨论中的要点，并分析其对健康决策的影响。
- 实验或效果：研究表明，社交媒体语言模式与疫苗接种率和住院率等健康趋势之间存在显著关联。
📝 摘要（中文）
本文介绍了一种多步骤推理框架，利用基于提示的大型语言模型（LLMs）研究社交媒体语言模式与国家健康结果之间的关系。基于模糊追踪理论，强调有效健康沟通中因果一致性的要点，提出了角色基础增量辅导（RBIC）框架，以大规模识别这些要点。通过RBIC，我们系统性地从反对COVID-19健康措施的子版块讨论中提取要点（研究1），追踪这些要点在关键事件中的演变（研究2），评估其对在线参与的影响（研究3），并调查要点数量与疫苗接种和住院等国家健康趋势之间的关联（研究4）。我们的研究首次实证性地将社交媒体语言模式与现实公共健康趋势联系起来，突显了基于提示的LLMs在识别关键在线讨论模式中的潜力，这些模式可以作为公共健康沟通策略的基础。
🔬 方法详解
问题定义：本文旨在解决社交媒体语言模式与公共健康结果之间缺乏实证联系的问题。现有方法未能有效捕捉社交媒体讨论对健康决策的影响。
核心思路：论文提出的RBIC框架通过多步骤推理，系统性地提取社交媒体讨论中的要点，分析其演变及影响，旨在填补这一研究空白。
技术框架：整体架构包括四个主要阶段：1) 从社交媒体讨论中提取要点；2) 追踪要点在关键事件中的演变；3) 评估要点对在线参与的影响；4) 分析要点数量与国家健康趋势的关联。
关键创新：最重要的技术创新在于RBIC框架的提出，它结合了模糊追踪理论，能够在大规模数据中识别和分析社交媒体语言模式，区别于传统的定性分析方法。
关键设计：在技术细节上，RBIC框架采用了特定的参数设置和损失函数，以优化要点提取的准确性和效率，同时结合了多种自然语言处理技术以增强模型的表现。
🖼️ 关键图片
📊 实验亮点
实验结果显示，社交媒体提取的要点数量与疫苗接种率和住院率之间存在显著正相关关系。通过RBIC框架，研究实现了对社交媒体语言模式的系统性分析，相较于传统方法，提升了对公共健康趋势的预测能力。
🎯 应用场景
该研究的潜在应用领域包括公共健康政策制定、社交媒体监测和危机沟通策略。通过识别社交媒体中的关键讨论模式，公共卫生机构可以更有效地制定针对性的健康传播策略，提升公众对健康措施的接受度和参与度。
📄 摘要（原文）
We introduce a multi-step reasoning framework using prompt-based LLMs to examine the relationship between social media language patterns and trends in national health outcomes. Grounded in fuzzy-trace theory, which emphasizes the importance of gists of causal coherence in effective health communication, we introduce Role-Based Incremental Coaching (RBIC), a prompt-based LLM framework, to identify gists at-scale. Using RBIC, we systematically extract gists from subreddit discussions opposing COVID-19 health measures (Study 1). We then track how these gists evolve across key events (Study 2) and assess their influence on online engagement (Study 3). Finally, we investigate how the volume of gists is associated with national health trends like vaccine uptake and hospitalizations (Study 4). Our work is the first to empirically link social media linguistic patterns to real-world public health trends, highlighting the potential of prompt-based LLMs in identifying critical online discussion patterns that can form the basis of public health communication strategies.