Μοντέλο τεχνητής νοημοσύνης ερμηνεύει τη στάση ανθρώπων ως προς τον εμβολιασμό μέσω των αναρτήσεών τους

Η στάση των ανθρώπων απέναντι στα εμβόλια μπορεί πλέον να εντοπιστεί από τις αναρτήσεις τους στα μέσα κοινωνικής δικτύωσης από ένα έξυπνο μοντέλο τεχνητής νοημοσύνης, που αναπτύχθηκε από ερευνητές στο Πανεπιστήμιο του Warwick.

Το μοντέλο μπορεί να αναλύσει μια ανάρτηση στα μέσα κοινωνικής δικτύωσης και να καθορίσει τη στάση αυτού που το έγραψε απέναντι στα εμβόλια. Εκπαιδεύτηκε να αναγνωρίζει αυτή τη στάση από ένα μικρό αριθμό παραδειγμάτων tweets.

Για παράδειγμα, εάν μια ανάρτηση περιέχει αναφορές δυσπιστίας σε ιδρύματα υγειονομικής περίθαλψης, φόβο για βελόνες ή κάτι που σχετίζεται με μια γνωστή θεωρία συνωμοσίας, το μοντέλο μπορεί να αναγνωρίσει ότι το άτομο που το έγραψε πιθανότατα αισθάνεται αρνητικά για τους εμβολιασμούς.

Η έρευνα που χρηματοδοτείται από το UK Research and Innovation, παρουσιάστηκε σήμερα (12 Ιουλίου) στο Ετήσιο Συνέδριο Association for Computational Linguistics.

Επικεφαλής της είναι η καθηγήτρια Yulan He.

Οι ερευνητές στο Πανεπιστήμιο του Warwick χρησιμοποίησαν ένα σύνολο δεδομένων 1,9 εκατομμυρίων tweets στα αγγλικά, που δημοσιεύτηκαν από τον Φεβρουάριο έως τον Απρίλιο του 2021, για να αναπτύξουν το μοντέλο ανίχνευσης στάσεων έναντι των εμβολίων (VADet).

Το VADet ανέλυσε πρώτα τη ροή των tweets σχετικά με τα εμβόλια κατά του COVID-19, μαθαίνοντας μια ολοένα αυξανόμενη ποικιλία στοιχείων και πλαισίων που σχετίζονται με τη συνεχιζόμενη συζήτηση για τον εμβολιασμό. Στη συνέχεια, το μοντέλο περιόρισε σταδιακά τις αναλύσεις του εξετάζοντας μοτίβα που χαρακτηρίζουν τις ανησυχίες και τις στάσεις των χρηστών.

Το VADet αναζητά στατιστικά μοτίβα σε λέξεις που σχετίζονται με διαφορετικά θέματα ή στάση. Είναι χτισμένο σε ένα γλωσσικό μοντέλο μεγάλης κλίμακας προεκπαιδευμένο σε μεγάλο όγκο κειμένου από αγγλικά βιβλία και τη Wikipedia και έχει ήδη αποκτήσει κάποιες γλωσσικές γνώσεις. Στη συνέχεια εκπαιδεύτηκε χρησιμοποιώντας tweets που σχετίζονται με το εμβόλιο, ώστε να κατανοεί ποια θέματα έχουν συζητηθεί σε αυτά τα tweets.

Ένας μικρός αριθμός από αυτά τα tweets επισημάνθηκε χειροκίνητα από τους ερευνητές με πληροφορίες σχετικά με τη στάση του χρήστη απέναντι σε θέματα που συζητούνται σε tweets που σχετίζονται με το εμβόλιο. Το VADet μπορεί να αξιοποιήσει πολύ μικρό αριθμό tweet με ετικέτα για να διακρίνει τις σημασιολογικές πληροφορίες που σχετίζονται με τη στάση και το θέμα από τα υπόλοιπα tweets χωρίς ετικέτα.

Στη συνέχεια, το μοντέλο AI τακτοποίησε τα tweets σε ομάδες παρόμοιων πτυχών, διαμορφώνοντας γεωμετρικά μοτίβα που δείχνουν οπτικά πώς ορισμένες απόψεις σχετικά με τους εμβολιασμούς (υπερ του εμβολιασμού, κατά του εμβολιασμού ή ουδέτεροι) μπορούν να συνδεθούν με συγκεκριμένα ανιχνεύσιμα χαρακτηριστικά ή αναφορές σε μια ανάρτηση στα μέσα κοινωνικής δικτύωσης .

Το μοντέλο θα μπορούσε ενδεχομένως να χρησιμοποιηθεί για την παροχή πληροφοριών σχετικά με το γιατί οι άνθρωποι είναι αρνητικοί σχετικά με τον εμβολιασμό, πληροφορίες που μπορούν να χρησιμοποιήσουν η κυβέρνηση και οι οργανισμοί υγείας για να σχεδιάσουν καλύτερα στοχευμένα μηνύματα για να καθησυχάσουν το ευρύ κοινό σχετικά με τον εμβολιασμό.

Η πανδημία COVID εντείνει τη χρήση των μέσων κοινωνικής δικτύωσης. Οι άνθρωποι εκφράζουν τη στάση τους απέναντι σε θέματα που σχετίζονται με τη δημόσια υγεία, συμπεριλαμβανομένων των εμβολιασμών κατά της COVID-19. Έχει φανεί ότι είναι δυνατό να παρακολουθείται η επισκεψιμότητα των μέσων κοινωνικής δικτύωσης, να ανιχνεύονται συμπεριφορές όσον αφορά τα εμβόλια και να χωρίζονται τα tweets σε ομάδες που συζητούν παρόμοιες πτυχές.

Αυτή η παρακολούθηση σε πραγματικό χρόνο της στάσης του κοινού θα μπορούσε να βοηθήσει τους οργανισμούς υγειονομικής περίθαλψης και τις κυβερνητικές υπηρεσίες να αντιμετωπίσουν τον δισταγμό των εμβολίων και να καταπολεμήσουν την παραπληροφόρηση σχετικά με τα εμβόλια εγκαίρως, σημειώνει η ερευνήτρια.

Το κλειδί για την ανακάλυψη βρίσκεται στον ειδικά ανεπτυγμένο αλγόριθμο, ο οποίος έχει δύο κρίσιμες δυνατότητες. Πρώτον, μπορεί να αξιοποιήσει μεγάλης κλίμακας δεδομένα κοινωνικής δικτύωσης σχετικά με τον εμβολιασμό για να ανιχνεύει αυτόματα θέματα. Αυτό γίνεται με την εισαγωγή ενός θέματος σε ένα υπάρχον προεκπαιδευμένο μοντέλο γλώσσας.

Δεύτερον, ο αλγόριθμος μπορεί να προσαρμοστεί σε ένα μικρό σύνολο αναρτήσεων στα μέσα κοινωνικής δικτύωσης που επισημαίνονται με στάσεις εμβολίων για να ανιχνεύει αυτόματα συγκεκριμένα μοτίβα θεμάτων και συμπεριφορών που σχετίζονται με θέματα. «Αυτή η λεγόμενη ικανότητα προσαρμοστικής αυτοβελτίωσης δεν έχει διερευνηθεί προηγουμένως για την ανίχνευση της στάσης προς τα εμβόλια», δήλωσε ο Lixing Zhu, διδάκτορας στο Τμήμα Επιστήμης Υπολογιστών του Warwick που εφάρμοσε το μοντέλο VADet.