提升社交媒体中不良药物事件抽取的鲁棒性：否定与推测现象的案例研究
计算与语言
2022-09-08 v1
摘要
在过去十年中，越来越多的用户开始在社交媒体平台、博客和健康论坛上报告不良药物事件（ADE）。鉴于报告数量庞大，药物警戒已致力于利用自然语言处理（NLP）技术快速审查这些大规模文本集合，检测药物相关不良反应的提及以触发医学调查。然而，尽管对该任务的兴趣日益增长且 NLP 取得了进展，这些模型在面对否定和推测等语言现象时的鲁棒性仍是一个开放的研究问题。否定和推测是自然语言中普遍存在的现象，会严重削弱自动化系统区分文本中事实与非事实陈述的能力。在本文中，我们考虑了四种用于社交媒体文本中 ADE 检测的先进系统。我们引入了 SNAX，一个用于测试它们在包含被否定和推测的 ADE 样本上性能的基准，展示了它们对这些现象的脆弱性。随后我们提出了两种可能的策略来增强这些模型的鲁棒性，表明它们均带来了显著的性能提升，将模型预测的虚假实体数量在否定情况下降低了 60%，在推测情况下降低了 80%。
引用
@article{arxiv.2209.02812,
title = {Increasing Adverse Drug Events extraction robustness on social media: case study on negation and speculation},
author = {Simone Scaboro and Beatrice Portelli and Emmanuele Chersoni and Enrico Santus and Giuseppe Serra},
journal= {arXiv preprint arXiv:2209.02812},
year = {2022}
}
备注
Journal Paper, EBM