۱. معرفی مقاله و اهمیت آن

همه‌گیری ویروس کرونا (COVID-19) یکی از بزرگترین چالش‌های بهداشت عمومی در تاریخ معاصر بوده است. این بیماری نه تنها سلامت جسمی افراد را به طور جدی تهدید می‌کند، بلکه پیامدهای روانی و اجتماعی گسترده‌ای از جمله اضطراب شدید، ترس و احساسات پیچیده را به همراه داشته است. با آغاز فرآیند واکسیناسیون، طیف وسیعی از واکنش‌ها و احساسات انسانی در خصوص این دستاورد علمی پدیدار شده است. درک این احساسات و نظرات عمومی، نقشی حیاتی در مدیریت بحران، تشویق به واکسیناسیون و در نهایت، غلبه بر این همه‌گیری ایفا می‌کند.

این مقاله علمی با عنوان «تحلیل احساسات مرتبط با واکسیناسیون کووید-۱۹ در داده‌های توییتر با استفاده از یادگیری عمیق»، به بررسی و واکاوی این احساسات پیچیده در میان جامعه پرداخته است. استفاده از داده‌های شبکه‌های اجتماعی، به ویژه توییتر، به دلیل حجم عظیم اطلاعات و سرعت بالای انتشار نظرات، ابزاری قدرتمند برای درک افکار عمومی محسوب می‌شود. هدف اصلی این تحقیق، شناسایی، دسته‌بندی و تحلیل احساسات کاربران توییتر نسبت به واکسیناسیون کووید-۱۹ با بهره‌گیری از روش‌های پیشرفته یادگیری عمیق است. این پژوهش گامی مهم در جهت فهم بهتر دیدگاه‌های مردمی و ارائه راهکارهایی برای مقابله با چالش‌های مرتبط با واکسیناسیون برداشته است.

۲. نویسندگان و زمینه تحقیق

این مقاله حاصل تلاش جمعی از پژوهشگران برجسته در حوزه علوم کامپیوتر و هوش مصنوعی است. نویسندگان این پژوهش عبارتند از: Kazi Nabiul Alam, Md Shakib Khan, Abdur Rab Dhruba, Mohammad Monirujjaman Khan, Jehad F. Al-Amri, Mehedi Masud, و Majdi Rawashdeh. زمینه اصلی تحقیق این گروه، کاربرد فناوری‌های نوین پردازش زبان طبیعی (NLP) و یادگیری عمیق در تحلیل کلان‌داده‌های شبکه‌های اجتماعی است.

تخصص این گروه در زمینه‌هایی چون «محاسبات و زبان» (Computation and Language) و «شبکه‌های اجتماعی و اطلاعات» (Social and Information Networks) به آن‌ها این امکان را داده است که بتوانند با دقت و عمق بالایی به تحلیل داده‌های پیچیده اجتماعی بپردازند. همکاری این پژوهشگران با پیشینه‌های علمی متفاوت، منجر به ارائه یک رویکرد چندوجهی و جامع در تحلیل احساسات شده است.

۳. چکیده و خلاصه محتوا

همه‌گیری کووید-۱۹ منجر به اضطراب، ترس و احساسات پیچیده‌ای در میان افراد شده است. حتی پس از آغاز واکسیناسیون، این احساسات متنوع‌تر و پیچیده‌تر شده‌اند. هدف این پژوهش، درک و رمزگشایی احساسات کاربران در این باره با استفاده از تکنیک‌های یادگیری عمیق است. شبکه‌های اجتماعی، به ویژه توییتر، بهترین بستر برای بیان این احساسات هستند و می‌توانند دیدگاهی روشن از آنچه در ذهن مردم می‌گذرد، ارائه دهند.

این تحقیق با جمع‌آوری توییت‌ها در بازه زمانی ۲۱ دسامبر تا ۲۱ جولای (سال مشخص نشده، اما احتمالا ۲۰۲۰-۲۰۲۱) انجام شده و شامل توییت‌هایی درباره رایج‌ترین واکسن‌های موجود در سراسر جهان بوده است. احساسات مردم نسبت به انواع واکسن‌ها با استفاده از ابزار پردازش زبان طبیعی به نام VADER (Valence Aware Dictionary for sEntiment Reasoner) ارزیابی شده است. با دسته‌بندی احساسات به سه گروه «مثبت، منفی و خنثی»، نتایج کلی به شرح زیر به دست آمد:

• پاسخ‌های مثبت: ۳۳.۹۶٪
• پاسخ‌های منفی: ۱۷.۵۵٪
• پاسخ‌های خنثی: ۴۸.۴۹٪

برای ارزیابی عملکرد مدل‌های پیش‌بینی‌کننده، از معماری‌های مبتنی بر شبکه‌های عصبی تکرارشونده (RNN) مانند LSTM (Long Short-Term Memory) و Bi-LSTM (Bidirectional LSTM) استفاده شده است. مدل LSTM به دقت ۹۰.۵۹٪ و مدل Bi-LSTM به دقت ۹۰.۸۳٪ دست یافته‌اند. سایر معیارهای عملکرد مانند دقت (Precision)، بازیابی (Recall)، امتیاز F-1 و ماتریس درهم‌ریختگی (Confusion Matrix) نیز برای اعتبارسنجی مدل‌ها و یافته‌ها ارائه شده‌اند.

این مطالعه به درک بهتر افکار عمومی در مورد واکسن‌های کووید-۱۹ کمک کرده و می‌تواند در دستیابی به هدف ریشه‌کن کردن ویروس کرونا مؤثر باشد.

۴. روش‌شناسی تحقیق

این پژوهش از یک چارچوب روش‌شناختی چندمرحله‌ای برای تحلیل احساسات پیرامون واکسیناسیون کووید-۱۹ استفاده کرده است. مراحل کلیدی این روش‌شناسی شامل جمع‌آوری داده، پیش‌پردازش، تحلیل احساسات و مدل‌سازی پیش‌بینی‌کننده است.

۴.۱. جمع‌آوری داده

مرحله اول شامل جمع‌آوری حجم عظیمی از توییت‌های مرتبط با واکسیناسیون کووید-۱۹ بود. این داده‌ها از پلتفرم توییتر استخراج شده و بازه زمانی جمع‌آوری از ۲۱ دسامبر تا ۲۱ جولای را پوشش می‌دهد. تمرکز بر توییت‌های مربوط به رایج‌ترین واکسن‌های موجود در سراسر جهان، امکان یک تحلیل جامع را فراهم آورده است.

۴.۲. پیش‌پردازش داده‌ها

داده‌های خام جمع‌آوری شده از توییتر معمولاً حاوی نویز و اطلاعات نامربوط هستند. در این مرحله، عملیات پیش‌پردازش مانند حذف کاراکترهای خاص، لینک‌ها، نام‌های کاربری، هشتگ‌های غیرضروری و همچنین تبدیل متن به حروف کوچک انجام شده است. هدف از این مرحله، پاکسازی داده‌ها و آماده‌سازی آن‌ها برای تحلیل‌های بعدی است.

۴.۳. تحلیل احساسات اولیه با VADER

پس از پیش‌پردازش، از ابزار پردازش زبان طبیعی VADER برای تعیین قطبیت احساسات (مثبت، منفی، خنثی) در هر توییت استفاده شده است. VADER یک ابزار مبتنی بر لغت‌نامه است که به طور خاص برای تحلیل احساسات در شبکه‌های اجتماعی طراحی شده و قادر به درک ظرافت‌های زبان محاوره‌ای و احساسات بیان شده است. نتایج این مرحله، نمایانگر توزیع کلی احساسات در جامعه توییتر نسبت به واکسیناسیون بوده است.

۴.۴. مدل‌سازی پیش‌بینی‌کننده با یادگیری عمیق

برای ارزیابی دقیق‌تر و توانایی پیش‌بینی الگوهای پیچیده احساسات، از معماری‌های شبکه‌های عصبی تکرارشونده (RNN) استفاده شده است. به طور خاص، دو مدل برجسته در این حوزه مورد بررسی قرار گرفته‌اند:

• LSTM (Long Short-Term Memory): این نوع شبکه عصبی برای مدل‌سازی داده‌های توالی‌دار مانند متن طراحی شده و قادر به یادگیری وابستگی‌های طولانی‌مدت در توالی‌ها است.
• Bi-LSTM (Bidirectional LSTM): این مدل، نسخه‌ای پیشرفته‌تر از LSTM است که اطلاعات را هم از جهت رو به جلو و هم از جهت رو به عقب در توالی پردازش می‌کند. این قابلیت به مدل امکان می‌دهد تا زمینه کامل‌تری از هر کلمه را درک کرده و دقت پیش‌بینی را افزایش دهد.

مدل‌های LSTM و Bi-LSTM بر روی مجموعه داده‌های برچسب‌گذاری شده (نتایج تحلیل VADER) آموزش داده شده‌اند تا بتوانند احساسات توییت‌های جدید را با دقت بالایی پیش‌بینی کنند.

۴.۵. ارزیابی عملکرد مدل

عملکرد مدل‌های پیش‌بینی‌کننده با استفاده از معیارهای استاندارد ارزیابی مدل‌های یادگیری ماشین مورد سنجش قرار گرفته است. این معیارها شامل:

• دقت (Accuracy): نسبت پیش‌بینی‌های صحیح به کل پیش‌بینی‌ها.
• دقت (Precision): نسبت موارد صحیح مثبت در میان تمام مواردی که مدل به عنوان مثبت پیش‌بینی کرده است.
• بازیابی (Recall): نسبت موارد صحیح مثبت در میان تمام موارد مثبت واقعی در داده‌ها.
• امتیاز F-1 (F-1 Score): میانگین هارمونیک Precision و Recall، که یک معیار متوازن برای ارزیابی عملکرد مدل است.
• ماتریس درهم‌ریختگی (Confusion Matrix): جدولی که تعداد پیش‌بینی‌های صحیح و غلط برای هر کلاس را نشان می‌دهد و به درک بهتر نقاط قوت و ضعف مدل کمک می‌کند.

استفاده از این مجموعه از معیارها، اطمینان از اعتبار و قابلیت اطمینان یافته‌ها و مدل‌های توسعه یافته را تضمین می‌کند.

۵. یافته‌های کلیدی

این پژوهش با تحلیل طیف وسیعی از توییت‌ها، یافته‌های مهمی را در خصوص احساسات عمومی نسبت به واکسیناسیون کووید-۱۹ آشکار ساخته است. توزیع کلی احساسات، همانطور که توسط ابزار VADER مشخص شده، نشان‌دهنده یک تصویر نسبتاً متعادل اما با تمایل به خنثی بودن است:

• پاسخ‌های مثبت: ۳۳.۹۶٪
• پاسخ‌های منفی: ۱۷.۵۵٪
• پاسخ‌های خنثی: ۴۸.۴۹٪

این یافته اولیه حاکی از آن است که نزدیک به نیمی از کاربران توییتر در زمان جمع‌آوری داده‌ها، در مورد واکسیناسیون کووید-۱۹ دیدگاه خنثی یا عدم قطعیت داشته‌اند. این گروه ممکن است شامل افرادی باشند که منتظر اطلاعات بیشتر، تجربه دیگران یا دلایل شخصی برای تصمیم‌گیری هستند. سهم قابل توجهی از پاسخ‌های مثبت (بیش از یک سوم) نیز نشان‌دهنده حمایت گسترده از واکسیناسیون است. در مقابل، سهم پاسخ‌های منفی، اگرچه کمتر از مثبت و خنثی است، اما همچنان یک بخش مهم از جامعه را که ممکن است نگرانی‌ها یا مخالفت‌هایی داشته باشند، منعکس می‌کند.

در زمینه مدل‌سازی پیش‌بینی‌کننده، نتایج نشان‌دهنده قدرت بالای مدل‌های یادگیری عمیق در درک و طبقه‌بندی احساسات است:

• مدل LSTM به دقت ۹۰.۵۹٪ دست یافته است.
• مدل Bi-LSTM با دقت ۹۰.۸۳٪، عملکردی اندکی بهتر از LSTM را از خود نشان داده است.

این دقت بالا نشان می‌دهد که معماری‌های مبتنی بر RNN، به ویژه Bi-LSTM، قادر به استخراج ویژگی‌های پیچیده و ظریف از متن توییت‌ها هستند که منجر به طبقه‌بندی دقیق احساسات می‌شود. عملکرد قوی این مدل‌ها، اعتبار تحلیل انجام شده را تأیید می‌کند و نشان می‌دهد که این رویکرد می‌تواند برای درک احساسات در مقیاس بزرگ و در موضوعات مشابه به کار گرفته شود.

تحلیل عمیق‌تر (که در متن چکیده به جزئیات آن اشاره نشده اما معمولاً در مقالات اصلی یافت می‌شود) می‌تواند نشان دهد که دلایل اصلی این احساسات مثبت، منفی و خنثی چه بوده‌اند. برای مثال، احساسات مثبت ممکن است ناشی از امید به بازگشت به زندگی عادی، محافظت از سلامتی یا تجربه‌های موفقیت‌آمیز واکسیناسیون باشد. احساسات منفی می‌توانند ریشه در نگرانی‌های مربوط به عوارض جانبی، عدم اطمینان از اثربخشی واکسن، یا اطلاعات نادرست داشته باشند. بخش قابل توجه پاسخ‌های خنثی نیز می‌تواند نشان‌دهنده شکاف اطلاعاتی، نیاز به شفاف‌سازی بیشتر، یا عدم تجربه‌ی شخصی مستقیم با موضوع باشد.

۶. کاربردها و دستاوردها

این تحقیق دارای کاربردهای عملی و دستاوردهای علمی قابل توجهی است که می‌تواند در سطوح مختلف مورد بهره‌برداری قرار گیرد:

• درک افکار عمومی: اصلی‌ترین دستاورد این پژوهش، ارائه یک تصویر دقیق و مبتنی بر داده از احساسات و دیدگاه‌های مردمی نسبت به واکسیناسیون کووید-۱۹ است. این درک برای سیاست‌گذاران بهداشت عمومی، سازمان‌های سلامت و مراکز تحقیقاتی بسیار ارزشمند است.
• راهنمایی برای کمپین‌های اطلاع‌رسانی: با شناسایی دلایل احساسات منفی و خنثی، می‌توان کمپین‌های اطلاع‌رسانی هدفمندتری طراحی کرد. این کمپین‌ها می‌توانند به رفع نگرانی‌ها، ارائه اطلاعات علمی دقیق و شفاف‌سازی در مورد واکسن‌ها کمک کنند.
• پیش‌بینی روندها: مدل‌های یادگیری عمیق توسعه یافته در این تحقیق، قابلیت پیش‌بینی احساسات آینده یا واکنش به رویدادهای مرتبط با واکسیناسیون را دارند. این قابلیت می‌تواند به سازمان‌ها در آمادگی برای موج‌های احتمالی تردید یا نگرانی کمک کند.
• مدیریت سلامت عمومی: درک احساسات جامعه نسبت به مداخلات سلامت عمومی، به ویژه در دوران بحران، برای اجرای موفقیت‌آمیز برنامه‌ها حیاتی است. این تحقیق نشان می‌دهد که چگونه شبکه‌های اجتماعی می‌توانند به عنوان یک “حسگر” برای پایش سلامت روانی و اجتماعی جامعه عمل کنند.
• پیشرفت در حوزه NLP و یادگیری عمیق: این پژوهش همچنین به پیشرفت دانش در حوزه پردازش زبان طبیعی و کاربرد آن در مسائل دنیای واقعی کمک می‌کند. استفاده موفقیت‌آمیز از LSTM و Bi-LSTM برای تحلیل احساسات در داده‌های حجیم شبکه‌های اجتماعی، الگوهای جدیدی را برای تحقیقات آتی در این زمینه باز می‌کند.
• تأثیر بر ریشه‌کن کردن بیماری: هدف نهایی و بلندمدت این پژوهش، کمک به ایجاد درک مشترک و افزایش سطح پذیرش واکسیناسیون است که در نهایت می‌تواند در تلاش جهانی برای ریشه‌کن کردن ویروس کرونا مؤثر باشد.

به عنوان یک مثال عملی، اگر نتایج تحلیل نشان دهد که بخش قابل توجهی از احساسات منفی به دلیل اطلاعات غلط در مورد عوارض جانبی نادر است، می‌توان با همکاری متخصصان سلامت، محتوای آموزشی واضح و مبتنی بر شواهد را در شبکه‌های اجتماعی منتشر کرد تا این تصورات غلط را اصلاح نمود. همچنین، اگر بخشی از جامعه دیدگاه خنثی دارند، می‌توان با تولید محتوای جذاب و کاربردی، آن‌ها را به سمت تصمیم‌گیری آگاهانه سوق داد.

۷. نتیجه‌گیری

این مقاله پژوهشی ارزشمند، با بهره‌گیری از قدرت یادگیری عمیق و تحلیل داده‌های شبکه‌های اجتماعی، به کشف و درک عمیق احساسات مردم نسبت به واکسیناسیون کووید-۱۹ پرداخته است. یافته‌ها نشان می‌دهند که جامعه در مواجهه با واکسن‌ها، طیفی از احساسات از مثبت و امیدبخش گرفته تا منفی و نگران‌کننده را تجربه می‌کند، اما بخش قابل توجهی از واکنش‌ها در محدوده خنثی قرار دارند. این توزیع پیچیده، اهمیت رویکردهای دقیق و مبتنی بر داده برای ارزیابی دیدگاه عمومی را بیش از پیش روشن می‌سازد.

قدرت مدل‌های یادگیری عمیق مانند LSTM و Bi-LSTM در پردازش و تحلیل حجم عظیم داده‌های متنی، امکان درک الگوهای ظریف زبانی و احساسی را فراهم آورده و نتایج با دقت بالایی (بیش از ۹۰٪) به دست آمده است. این دقت بالا، اعتبار روش‌شناسی مورد استفاده را تضمین کرده و پتانسیل بالای این تکنیک‌ها را برای کاربردهای مشابه در آینده نمایان می‌سازد.

دستاوردها و کاربردهای این تحقیق فراتر از یک تحلیل علمی صرف است؛ این پژوهش می‌تواند به عنوان یک راهنما برای سیاست‌گذاران، متخصصان سلامت و دست‌اندرکاران ارتباطات عمل کند تا با درک بهتر جامعه، بتوانند استراتژی‌های مؤثرتری را برای افزایش آگاهی، کاهش تردید و در نهایت، دستیابی به اهداف سلامت عمومی، به ویژه در راستای مهار و ریشه‌کن کردن همه‌گیری کووید-۱۹، اتخاذ نمایند. در دنیایی که اطلاعات با سرعت نور منتشر می‌شود، تحلیل دقیق احساسات عمومی از طریق ابزارهای هوشمند، ابزاری حیاتی برای حفظ سلامت و رفاه اجتماعی است.