اکنون می توان نگرش مردم نسبت به واکسن ها را از پست های رسانه های اجتماعی آنها توسط یک مدل هوش مصنوعی هوشمند که توسط محققان دانشگاه وارویک توسعه داده شده است، تشخیص داد.
مدل مبتنی بر هوش مصنوعی می‌تواند یک پست رسانه‌های اجتماعی را تجزیه و تحلیل کند و با «آموزش» برای تشخیص این موضع از تعداد کمی از توییت‌های نمونه، موضع نویسنده آن را نسبت به واکسن‌ها مشخص کند.
به عنوان یک مثال ساده، اگر پستی حاوی ذکر بی اعتمادی به موسسات مراقبت‌های بهداشتی، ترس از سوزن، یا چیزی مرتبط با یک نظریه توطئه شناخته شده باشد، مدل می‌تواند تشخیص دهد که شخصی که آن را نوشته احتمالاً نسبت به واکسیناسیون احساس منفی دارد.
پژوهشی که توسط تحقیقات و نوآوری بریتانیا (UKRI) تامین می شود، قرار است امروز (12 ژوئیه) در کنفرانس سالانه 2022 فصل آمریکای شمالی انجمن زبان شناسی محاسباتی ارائه شود.
این توسط پروفسور Yulan He از گروه علوم کامپیوتر دانشگاه، که توسط یک بورسیه 5 ساله Turing AI با بودجه EPSRC حمایت می شود، رهبری می شود.
پروفسور هی و همکارانش در دانشگاه وارویک از مجموعه داده‌ای متشکل از 1.9 میلیون توییت به زبان انگلیسی استفاده کرده‌اند که از فوریه تا آوریل 2021 ارسال شده‌اند تا مدل تشخیص نگرش واکسن (VADet) را توسعه دهند.
VADet ابتدا جریان توئیت‌های مربوط به واکسن‌های کووید-19 را تجزیه و تحلیل کرد و تنوع روزافزونی از عناصر و زمینه‌های مرتبط با بحث واکسیناسیون جاری را آموخت. سپس، مدل به تدریج تحلیل های خود را با مشاهده الگوهای مشخص کننده نگرانی ها و نگرش های کاربر محدود کرد.
VADet به دنبال الگوهای آماری در کلمات مربوط به موضوعات یا موضع گیری های مختلف است. این بر اساس یک مدل زبانی در مقیاس بزرگ ساخته شده است که از قبل بر روی مقدار زیادی متن از کتاب های انگلیسی و ویکی پدیا آموزش داده شده است و قبلاً برخی از دانش زبانی را به دست آورده است. سپس با استفاده از توییت‌های مرتبط با واکسن آموزش داده شد تا بفهمد چه موضوعاتی در آن توییت‌ها بحث شده است.
سپس تعداد کمی از این توییت‌ها به صورت دستی توسط محققان با اطلاعاتی در مورد موضع کاربر نسبت به موضوعات مورد بحث در توییت‌های مرتبط با واکسن برچسب‌گذاری شد. VADet می‌تواند از تعداد کمی از توییت‌های برچسب‌دار استفاده کند تا اطلاعات معنایی مربوط به موضع و موضوع را از توییت‌های بدون برچسب باقی‌مانده متمایز کند.
سپس مدل هوش مصنوعی توییت‌ها را در خوشه‌هایی با جنبه‌های مشابه مرتب کرد، و الگوهای هندسی را تشکیل داد که به صورت بصری نشان می‌دهد که چگونه دیدگاه‌های خاصی در مورد واکسیناسیون (طرفدار واکسیناسیون، ضد واکسیناسیون، یا خنثی) می‌توانند با ویژگی‌ها یا ارجاعات خاص قابل تشخیص در یک پست رسانه اجتماعی مرتبط شوند. .
این مدل به طور بالقوه می تواند برای ارائه بینشی در مورد اینکه چرا مردم در مورد واکسیناسیون منفی هستند، اطلاعاتی که دولت و سازمان های بهداشتی می توانند برای طراحی پیام های هدفمند بهتر برای اطمینان بخشیدن به عموم مردم در مورد واکسیناسیون استفاده کنند، استفاده شود.
همه گیری کووید استفاده از رسانه های اجتماعی را تشدید می کند. مردم نگرش خود را نسبت به مسائل مربوط به بهداشت عمومی، از جمله واکسیناسیون کووید-19 بیان می کنند. ما نشان داده‌ایم که امکان نظارت بر ترافیک رسانه‌های اجتماعی، شناسایی نگرش‌های واکسن و تقسیم‌بندی توییت‌ها به خوشه‌هایی وجود دارد که در مورد جنبه‌های مشابه بحث می‌کنند. چنین نظارتی در زمان واقعی نگرش‌های عمومی می‌تواند به سازمان‌های مراقبت‌های بهداشتی و سازمان‌های دولتی کمک کند تا تردید واکسن را برطرف کنند و با اطلاعات نادرست در مورد واکسن‌ها به‌موقع مبارزه کنند.»
پروفسور یولان هی از دپارتمان علوم کامپیوتر وارویک و عضو شتاب هوش مصنوعی در موسسه آلن تورینگ
کلید موفقیت در الگوریتم ویژه توسعه یافته نهفته است که دارای دو قابلیت حیاتی است. در مرحله اول، می تواند از داده های رسانه های اجتماعی در مقیاس بزرگ در مورد واکسیناسیون برای شناسایی خودکار موضوعات استفاده کند. این کار با قرار دادن یک لایه موضوعی در یک مدل زبان از پیش آموزش دیده انجام می شود.
ثانیاً، این الگوریتم را می توان بر روی مجموعه کوچکی از پست های رسانه های اجتماعی با برچسب نگرش های واکسن تطبیق داد تا به طور خودکار الگوهای خاصی از موضوعات و نگرش های مرتبط با موضوع را شناسایی کند. لیکسینگ ژو، دانشجوی دکترا در دپارتمان علوم کامپیوتر وارویک که مدل VADet را پیاده‌سازی کرده است، می‌گوید: «این به اصطلاح قابلیت خود-بهبودی تطبیقی قبلاً برای تشخیص نگرش واکسن مورد بررسی قرار نگرفته است.
پروفسور وی افزود: “سازمان بهداشت جهانی تردید واکسن را به عنوان یکی از ده موضوع برتر سلامت در جهان در سال 2019 شناسایی کرد. با شناسایی خودکار نگرش های واکسن از رسانه های اجتماعی، راه حل ما این پتانسیل را دارد که مداخله به موقع را برای رفع نگرانی ها در مورد واکسیناسیون فراهم کند.”