Attitudes vaccinales détectées dans les tweets par le modèle d’IA

vaccin

Crédit : Pixabay/CC0 Domaine public

Les attitudes des gens envers les vaccins peuvent désormais être détectées à partir de leurs publications sur les réseaux sociaux par un modèle d’IA intelligent, développé par des chercheurs de l’Université de Warwick.

Le modèle basé sur l’IA peut analyser une publication sur les réseaux sociaux et établir la position de son auteur à l’égard des vaccins, en étant “formé” pour reconnaître cette position à partir d’un petit nombre d’exemples de tweets.

À titre d’exemple simple, si un message contient des mentions de méfiance à l’égard des établissements de santé, une peur des aiguilles ou quelque chose lié à une théorie du complot connue, le modèle peut reconnaître que la personne qui l’a écrit a probablement un sentiment négatif à l’égard des vaccinations.

La recherche doit être présentée aujourd’hui (12 juillet) à la conférence annuelle 2022 de la section nord-américaine de l’Association for Computational Linguistics. Il est dirigé par le professeur Yulan He du département d’informatique de l’université.

Le professeur He et ses collègues de l’Université de Warwick ont ​​utilisé un ensemble de données de 1,9 million de tweets en anglais, publiés de février à avril 2021, pour développer le modèle de détection d’attitude vaccinale (VADet).

VADet a d’abord analysé le flux de tweets concernant les vaccins COVID-19, apprenant une variété toujours croissante d’éléments et de contextes pertinents pour le débat en cours sur la vaccination. Ensuite, le modèle a progressivement affiné ses analyses en examinant les modèles caractérisant les préoccupations et les attitudes des utilisateurs.

VADet recherche des modèles statistiques dans des mots liés à différents sujets ou positions. Il est construit sur un modèle de langage à grande échelle pré-formé sur une grande quantité de texte de livres anglais et de Wikipédia et a déjà acquis des connaissances linguistiques. Il a ensuite été formé à l’aide de tweets liés aux vaccins afin de comprendre quels sujets ont été abordés dans ces tweets.

Un petit nombre de ces tweets ont ensuite été étiquetés manuellement par les chercheurs avec des informations sur la position de l’utilisateur à l’égard des sujets abordés dans les tweets liés aux vaccins. VADet peut exploiter une si petite quantité de tweets étiquetés pour distinguer les informations sémantiques relatives à la position et au sujet des tweets non étiquetés restants.

Le modèle d’IA a ensuite organisé les tweets en groupes d’aspects similaires, formant des motifs géométriques qui démontrent visuellement comment certains points de vue sur les vaccinations (pro-vaccination, anti-vaccination ou neutre) peuvent être liés à des caractéristiques ou des références détectables spécifiques dans une publication sur les réseaux sociaux. .

Le modèle pourrait potentiellement être utilisé pour fournir des informations sur les raisons pour lesquelles les gens sont négatifs à propos de la vaccination, des informations que le gouvernement et les organisations de santé peuvent utiliser pour concevoir des messages mieux ciblés afin de rassurer le grand public sur la vaccination.

Le professeur Yulan He du département d’informatique de Warwick et chercheur en accélération de l’IA à l’Institut Alan Turing a déclaré que “la pandémie de COVID intensifie l’utilisation des médias sociaux. Les gens expriment leurs attitudes à l’égard des questions relatives à la santé publique, y compris les vaccinations contre le COVID-19. ont montré qu’il est possible de surveiller le trafic sur les réseaux sociaux, de détecter les attitudes face aux vaccins et de segmenter les tweets en groupes traitant d’aspects similaires.Une telle surveillance en temps réel des attitudes du public pourrait aider les organisations de santé et les agences gouvernementales à lutter contre la réticence à la vaccination et à lutter contre la désinformation concernant les vaccins en temps opportun. “

La clé de la percée réside dans l’algorithme spécialement développé, qui possède deux capacités cruciales. Premièrement, il peut exploiter les données à grande échelle des médias sociaux sur la vaccination pour détecter automatiquement les sujets. Cela se fait en insérant une couche de sujet dans un modèle de langage pré-formé existant.

Deuxièmement, l’algorithme peut être adapté sur un petit ensemble de publications sur les réseaux sociaux étiquetées avec des attitudes vaccinales pour détecter automatiquement des modèles particuliers de sujets et d’attitudes associées à des sujets. “Cette soi-disant capacité d’auto-amélioration adaptative n’a pas été explorée auparavant pour la détection de l’attitude des vaccins”, déclare Lixing Zhu, titulaire d’un doctorat. étudiant au département d’informatique de Warwick qui a mis en œuvre le modèle VADet.

Le professeur He a ajouté que “l’OMS a identifié la réticence à la vaccination comme l’un des dix principaux problèmes de santé dans le monde en 2019. En détectant automatiquement les attitudes vis-à-vis des vaccins à partir des médias sociaux, notre solution a le potentiel de permettre une intervention plus rapide pour répondre aux préoccupations concernant la vaccination”.

La recherche est publiée sur arXiv.


Des chercheurs parcourent Twitter pour analyser les attitudes du public à propos des vaccinations contre le COVID-19


Plus d’information:
Lixing Zhu et al, Disentangled Learning of Stance and Aspect Topics for Vaccine Attitude Detection in Social Media, arXiv (2022). arXiv:2205.03296 [cs.CL] arxiv.org/abs/2205.03296

Conférence : 2022.naacl.org/

Informations sur la revue :
arXiv

Fourni par l’Université de Warwick

Citation: Attitudes vaccinales détectées dans les tweets par le modèle d’IA (2022, 12 juillet) récupéré le 12 juillet 2022 sur https://techxplore.com/news/2022-07-vaccine-attitudes-tweets-ai.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.