Af Emily Henderson, B.Sc. 12. juli 2022
En Kunstig Intelligens-model (AI-model), udviklet af forskere fra University of Warwick, kan nu spore folks holdninger til vacciner på baggrund af deres indlæg på de sociale medier.
Den AI-baserede model kan analysere et indlæg på sociale medier og fastslå afsenderens holdning til vacciner ved at blive “trænet” til at genkende den pågældende holdning ud fra et lille antal eksempler på tweets.
Som et simpelt eksempel kan modellen, hvis et indlæg indeholder omtaler af mistillid til sundhedsinstitutioner, frygt for nåle eller noget, der er relateret til en kendt konspirationsteori, genkende, at den person, der har skrevet det, sandsynligvis har en negativ holdning til vaccinationer.
Forskningen, der er finansieret af UK Research and Innovation (UKRI), vil blive præsenteret i dag (12. juli) på den årlige konference i 2022 for den nordamerikanske afdeling af Association for Computational Linguistics.
Leder er professor Yulan He fra universitetets afdeling for datalogi, som støttes af et 5-årigt Turing AI Fellowship finansieret af EPSRC. (Engineering and Physical Sciences Research Council) Professor He og hendes kolleger på University of Warwick har brugt et datasæt på 1,9 millioner tweets på engelsk, der blev sendt fra februar til april 2021, til at udvikle Vaccine Attitude Detection (VADet)-modellen (Vaccine-holdnings-sporing).
VADet analyserede først strømmen af tweets vedrørende COVID-19-vacciner og fandt frem til en stadig større mængde forskellige elementer og sammenhænge, der er relevante for den igangværende vaccinationsdebat. Derefter indsnævrede modellen gradvist sine analyser ved at se på mønstre, der karakteriserer brugernes bekymringer og holdninger.
VADet leder efter statistiske mønstre i ord, der vedrører forskellige emner eller holdninger. Den er bygget på en stor sprogmodel, der er trænet på forhånd på en stor mængde tekst fra engelske bøger og Wikipedia, og som allerede har opnået en vis sproglig viden. Den blev derefter trænet ved hjælp af vaccinerelaterede tweets, så den forstår, hvilke emner der er blevet diskuteret i disse tweets.
En lille mængde af disse tweets blev derefter manuelt mærket af forskerne med oplysninger om brugerens holdning til emner, der blev diskuteret i vaccinerelaterede tweets. VADet kan udnytte en sådan lille mængde af mærkede tweets til at skelne semantisk information vedrørende holdning og emne fra de resterende umærkede tweets.
AI-modellen arrangerede derefter tweets i klynger af lignende aspekter og dannede geometriske mønstre, der visuelt viser, hvordan visse synspunkter om vaccinationer (for vaccination, imod vaccination eller neutrale) kan være forbundet med specifikke karakteristika eller referencer i et indlæg på et socialt medie.
Modellen kan potentielt bruges til at give indsigt i, hvorfor folk er negative over for vaccination, oplysninger, som myndigheder og sundhedsorganisationer kan bruge til at udforme bedre målrettede budskaber for at berolige offentligheden om vaccination.Boks:”COVID-pandemien intensiverer brugen af sociale medier. Folk giver udtryk for deres holdninger til spørgsmål vedrørende folkesundhed, herunder COVID-19-vaccinationer. Vi har vist, at det er muligt at overvåge trafikken på de sociale medier, opdage vaccinationsholdninger og segmentere tweets i klynger, der diskuterer lignende aspekter. En sådan realtidsovervågning af offentlighedens holdninger kan hjælpe sundhedsorganisationer og offentlige myndigheder med at imødegå tøven med vacciner og bekæmpe misinformation om vacciner i tide.”Professor Yulan He from Warwick’s Department of Computer Science and AI Acceleration Fellow at The Alan Turing InstituteNøglen til gennembruddet ligger i den specielt udviklede algoritme, som har to afgørende egenskaber. For det første kan den udnytte store mængder data fra sociale medier om vaccination til automatisk at opdage emner. Det gøres ved at indsætte et emne-lag i en eksisterende forudtrænet sprogmodel.
For det andet kan algoritmen tilpasses til et lille sæt af indlæg på sociale medier, der er mærket med vaccinationsholdninger, for automatisk at opdage særlige mønstre af emner og emneassocierede holdninger. “Denne såkaldte adaptive evne til selvforbedring er ikke tidligere blevet udforsket med henblik på sporing af vaccineholdninger”, siger Lixing Zhu, ph.d.-studerende ved Warwick Department of Computer Science, som implementerede VADet-modellen.Professor He tilføjede: “WHO har identificeret vaccine-tøven som en af de ti største sundhedstrusler for verden i 2019. Ved automatisk at registrere vaccineholdninger fra sociale medier har vores løsning potentiale til at muliggøre mere rettidig indgriben for at imødegå bekymringer over for vaccination.
Oversat og redigeret af May Day September 2022
Skriv et svar