在线疫苗关注点的层次多标签分类

疫苗关注点是一个不断变化的目标，并且在COVID-19大流行期间可能迅速转变。识别疫苗关注点和错误信息的纵向趋势可能通过帮助公共卫生工作战略性地分配资源或信息宣传活动来为医疗保健领域提供信息。我们探索了使用大语言模型(LLM)在零样本设置中检测在线话语中的疫苗关注点的任务，无需昂贵的训练数据集。由于对在线来源的实时监控需要大规模推理，我们探索了不同提示策略的成本-准确性权衡，并为当前应用中的系统设计选择提供了具体建议。对不同提示策略的分析表明，通过多次通过LLM进行分类（每次通过提出一个布尔问题，询问文本是否提及疫苗关注点）效果最佳。我们的结果表明，与专家在最近引入的VaxConcerns数据集上提供的地面实况注释相比，GPT-4可以大幅超越众包工人的准确性，总体F1分数达到78.7%。