生物医学推文中的主张检测

社交媒体包含未经过滤且独特的信息，其潜在价值巨大，但在虚假信息的情况下也可能造成巨大危害。就生物医学话题而言，虚假信息可能尤其危险。自动事实核查与假新闻检测方法应对此问题，但尚未应用于社交媒体的生物医学领域。我们旨在填补这一研究空白，并标注了一个包含1200条推文的语料库，用于隐性与显性生物医学主张（后者还带有主张短语的跨度标注）。通过该语料库（我们抽样使其与 COVID-19、麻疹、囊性纤维化和抑郁症相关），我们开发了自动检测含主张推文的基线模型。我们的分析显示，生物医学推文中密集分布着主张（在抽样得到的包含上述提及领域的1200条推文的语料库中占45%）。基于嵌入的分类器与基于 BERT 的迁移学习的基线分类实验表明，该检测具有挑战性，但在识别显性主张表达方面表现出可接受的性能。隐性主张推文更难以检测。