| 1 |
Η επίδραση των κοινωνικών μέσων δικτύωσης στον σχεδιασμό ενός ταξιδιού: Ταξιδιωτική πρόθεση και αντίληψη κινδύνου κατά τη διάρκεια της πανδημίας
|
|
|
|
BASE
|
|
Show details
|
|
|
| 5 |
The Rhetoric of Psychopathology: An Interdisciplinary Approach to Understanding and Talking About Mental Health
|
|
|
|
BASE
|
|
Show details
|
|
|
| 6 |
Influencer detection in social media ; Détection des influenceurs dans des médias sociaux
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-03640442 ; Ordinateur et société [cs.CY]. Institut National des Langues et Civilisations Orientales- INALCO PARIS - LANGUES O', 2021. Français. ⟨NNT : 2021INAL0034⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 7 |
Hate speech and offensive language detection using transfer learning approaches ; Détection du discours de haine et du langage offensant utilisant des approches de Transfer Learning
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-03276023 ; Document and Text Processing. Institut Polytechnique de Paris, 2021. English. ⟨NNT : 2021IPPAS007⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 8 |
Influencer detection in social media ; Détection des influenceurs dans des médias sociaux
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-03640442 ; Ordinateur et société [cs.CY]. Institut National des Langues et Civilisations Orientales- INALCO PARIS - LANGUES O', 2021. Français. ⟨NNT : 2021INAL0034⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 9 |
Generating health evidence from social media ; Extração de informação de saúde através das redes sociais
|
|
|
|
BASE
|
|
Show details
|
|
|
| 10 |
Studying depression through big data analytics on Twitter
|
|
|
|
In: TDX (Tesis Doctorals en Xarxa) (2021)
|
|
BASE
|
|
Show details
|
|
|
| 11 |
Civility in digital discourse : an experimental approach to the contagion of thoughtful and hurtful responses
|
|
|
|
BASE
|
|
Show details
|
|
|
| 12 |
Espraiamento do conservadorismo no Brasil das mídias sociais ; Spread of conservatism in Brazil on social networks
|
|
Paiva, Síria Maria Andrade. - : Universidade Federal do Rio Grande do Norte, 2021. : Brasil, 2021. : UFRN, 2021. : Serviço Social, 2021. : Departamento de Serviço Social, 2021
|
|
BASE
|
|
Show details
|
|
|
| 13 |
Content Selection for Effective Counter-Argument Generation
|
|
|
|
BASE
|
|
Show details
|
|
|
| 14 |
Clickbait detection using multimodel fusion and transfer learning ; Détection de clickbait utilisant fusion multimodale et apprentissage par transfert
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-03139880 ; Social and Information Networks [cs.SI]. Institut Polytechnique de Paris, 2020. English. ⟨NNT : 2020IPPAS025⟩ (2020)
|
|
BASE
|
|
Show details
|
|
|
| 15 |
An old tradition in a new space : a critical discourse analysis of YouTubers' metalinguistic commentary on Quebec French
|
|
|
|
BASE
|
|
Show details
|
|
|
| 16 |
Towards Subjective Multimedia Summarization Framework for Sporting Event in the Context of Digital Twins
|
|
|
|
BASE
|
|
Show details
|
|
|
| 17 |
Detection and analysis of drug non-adherence in social media ; Détection et analyse de la non-adhérence médicamenteuse dans les réseaux sociaux
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-02478927 ; Linguistique. Université de Lille, 2019. Français. ⟨NNT : 2019LILUH026⟩ (2019)
|
|
Abstract:
Drug non-compliance refers to situations where the patient does not follow instructions from medical authorities when taking medications. Such situations include taking too much (overuse) or too little (underuse) of medications, drinking contraindicated alcohol, or making a suicide attempt using medication. According to [HAYNES 2002] increasing drug compliance may have a bigger impact on public health than any other medical improvements. However non-compliance data are difficult to obtain since non-adherent patients are unlikely to report their behaviour to their healthcare providers. This is why we use data from social media to study drug non-compliance. Our study is applied to French-speaking forums.First we collect a corpus of messages written by users from medical forums. We build vocabularies of medication and disorder names such as used by patients. We use these vocabularies to index medications and disorders in the corpus. Then we use supervised learning and information retrieval methods to detect messages talking about non-compliance. With machine learning, we obtain 0.433 F-mesure, with up to 0.421 precision or 0.610 recall. With information retrieval, we reach 0.8 precision on the first ten results.After that, we study the content of the non-compliance messages. We identify various non-compliance situations and patient's motivations. We identify 3 main motivations: self-medication, seeking an effect besides the effect the medication was prescribed for, or being in addiction or habituation situation. Self-medication is an umbrella for several situations: avoiding an adverse effect, adjusting the medication's effect, underuse a medication seen as useless, taking decisions without a doctor's advice. Non-compliance can also happen thanks to errors or carelessness, without any particular motivation.Our work provides several kinds of result: annotated corpus with non-compliance messages, classifier for the detection of non-compliance messages, typology of non-compliance situations and analysis of the causes of non-compliance. ; La non-adhérence médicamenteuse désigne les situations où le patient ne suit pas les directives des autorités médicales concernant la prise d'un médicament. Il peut s'agir d'une situation où le patient prend trop (sur-usage) ou pas assez (sous-usage) de médicaments, boit de l'alcool alors qu'il y a une contrindication, ou encore commet une tentative de suicide à l'aide de médicaments. Selon [HAYNES 2002] améliorer l'adhérence pourrait avoir un plus grand impact sur la santé de la population que tout autre amélioration d'un traitement médical spécifique. Cependant les données sur la non-adhérence sont difficiles à acquérir, puisque les patients en situation de non-adhérence sont peu susceptibles de rapporter leurs actions à leurs médecins. Nous proposons d'exploiter les données des réseaux sociaux pour étudier la non-adhérence médicamenteuse.Dans un premier temps, nous collectons un corpus de messages postés sur des forums médicaux. Nous construisons des vocabulaires de noms de médicaments et de maladies utilisés par les patients. Nous utilisons ces vocabulaires pour indexer les médicaments et maladies dans les messages. Ensuite nous utilisons des méthodes d'apprentissage supervisé et de recherche d'information pour détecter les messages de forum parlant d'une situation de non-adhérence. Avec les méthodes d'apprentissage supervisé, nous obtenons 0,433 de F-mesure, avec un maximum de 0,421 de précision ou 0,610 de rappel. Avec les méthodes de recherche d'information, nous atteignons une précision de 0,8 sur les dix premiers résultats. Nous étudions ensuite le contenu des messages ainsi découverts pour connaître les différents types de non-adhérence et savoir comment et pourquoi les patients se retrouvent dans de telles situations. Nous identifions 3 motivations : gérer soi-même sa santé, rechercher un effet différent de celui pour lequel le médicament est prescrit, être en situation d'addiction ou d'accoutumance. La gestion de sa santé recouvre ainsi plusieurs situations : éviter un effet secondaire, moduler l'effet du médicament, sous-utiliser un médicament perçu comme inutile, agir sans avis médical. Additionnellement, une non-adhérence peut survenir par erreur ou négligence, sans motivation particulière. À l'issue de notre étude nous produisons : un corpus annoté avec des messages de non-adhérence, un classifieur capable de détecter les messages de non-adhérence, une typologie des situations de non-adhérence et une analyse des causes de la non-adhérence.
|
|
Keyword:
[SHS.LANGUE]Humanities and Social Sciences/Linguistics; Domaine médical; Fouille de texte; Medical domain; Natural language processing; Réseaux sociaux; Social media; Text mining; Traitement automatique des langues
|
|
URL: https://tel.archives-ouvertes.fr/tel-02478927
https://tel.archives-ouvertes.fr/tel-02478927/file/2019LIL3H026.pdf
https://tel.archives-ouvertes.fr/tel-02478927/document
|
|
BASE
|
|
Hide details
|
|
|
| 18 |
Neologia de empresa: o Facebook como observatório de novas tendências em neologia
|
|
|
|
BASE
|
|
Show details
|
|
|
| 19 |
Language, queerly phrased: a sociolinguistic examination of nonbinary gender identity in French
|
|
|
|
BASE
|
|
Show details
|
|
|
| 20 |
Computational linguistics using social media to understand immigrant sentiment in the United States
|
|
Bain, James. - : University of Missouri--Columbia, 2019
|
|
BASE
|
|
Show details
|
|
|
|
|
