در عصر دیجیتال، شبکه‌های اجتماعی به ابزاری قدرتمند برای سنجش افکار عمومی در لحظه تبدیل شده‌اند. این بسترها، به‌ویژه در زمان بحران‌های جهانی مانند همه‌گیری کووید-۱۹، به دماسنجی برای اندازه‌گیری نگرش‌ها و احساسات مردم در مورد موضوعات حیاتی سلامت عمومی، از جمله واکسیناسیون، بدل می‌شوند. حجم عظیم داده‌های تولید شده در این پلتفرم‌ها، استفاده از روش‌های پیشرفته یادگیری ماشین (Machine Learning) و پردازش زبان طبیعی (NLP) را برای تحلیل خودکار و سریع این داده‌ها ضروری ساخته است.

با این حال، ماهیت پویای شبکه‌های اجتماعی یک چالش فنی جدی را به همراه دارد: پدیده‌ای به نام رانش مفهوم (Concept Drift). رانش مفهوم زمانی رخ می‌دهد که ویژگی‌ها و معنای آماری داده‌ها در طول زمان تغییر می‌کند. در نتیجه، الگوریتمی که بر اساس داده‌های قدیمی آموزش دیده است، در مواجهه با داده‌های جدید عملکرد ضعیفی از خود نشان می‌دهد. این مقاله علمی به بررسی دقیق همین پدیده در بستر تحلیل احساسات مربوط به واکسن در توییتر طی همه‌گیری کووید-۱۹ می‌پردازد. اهمیت این تحقیق در آن است که نشان می‌دهد نادیده گرفتن رانش مفهوم می‌تواند به نتایج تحلیلی کاملاً اشتباه و گمراه‌کننده منجر شود و سیاست‌گذاران حوزه سلامت را به این باور غلط برساند که افکار عمومی پایدار است، در حالی که در واقعیت، نگرش‌ها به سرعت در حال تغییر هستند. این خطا می‌تواند پیامدهای جدی برای سلامت عمومی به همراه داشته باشد.

این مقاله توسط مارتین مولر (Martin Müller) و مارسل سالاته (Marcel Salathé) به نگارش درآمده است. این دو پژوهشگر در حوزه‌هایی فعالیت می‌کنند که در تقاطع علوم کامپیوتر، همه‌گیرشناسی دیجیتال و علوم اجتماعی محاسباتی قرار دارد. مارسل سالاته، به عنوان یک همه‌گیرشناس برجسته، بر استفاده از فناوری‌های دیجیتال برای درک و مدیریت بیماری‌های عفونی تمرکز دارد و مارتین مولر در زمینه علم داده و مدل‌سازی محاسباتی تخصص دارد.

تخصص ترکیبی این نویسندگان، بستری ایده‌آل برای بررسی این موضوع میان‌رشته‌ای فراهم کرده است. مقاله در دسته «شبکه‌های اجتماعی و اطلاعاتی» و «محاسبات و زبان» طبقه‌بندی شده است که نشان‌دهنده تمرکز آن بر استفاده از روش‌های محاسباتی پیشرفته برای تحلیل پدیده‌های اجتماعی است که از طریق زبان در شبکه‌های آنلاین پدیدار می‌شوند. این پژوهش نمونه‌ای عالی از چگونگی به‌کارگیری هوش مصنوعی برای حل مسائل واقعی در دنیای سلامت عمومی است و همزمان، محدودیت‌های این فناوری را نیز برجسته می‌سازد.

مقاله استدلال می‌کند که تحلیل شبکه‌های اجتماعی به ابزاری رایج برای ارزیابی افکار عمومی تبدیل شده، اما با یک چالش فنی اساسی به نام «رانش مفهوم» روبروست. این پدیده به‌ویژه زمانی مشکل‌ساز می‌شود که رویدادهای ناگهانی مانند یک بحران جهانی، نحوه بحث و گفتگوی مردم در مورد یک موضوع خاص را به کلی دگرگون کند.

نویسندگان برای بررسی این مشکل، بر موضوع احساسات نسبت به واکسن در توییتر، به‌ویژه در طول همه‌گیری کووید-۱۹، تمرکز کرده‌اند. آنها نشان می‌دهند که در سال ۲۰۲۰، تمایل و نگرش عمومی نسبت به واکسن به میزان قابل توجهی کاهش یافته و منفی‌تر شده است. نکته تکان‌دهنده اینجاست: الگوریتم‌های یادگیری ماشینی که بر اساس داده‌های پیش از همه‌گیری آموزش دیده بودند، به دلیل رانش مفهوم، قادر به تشخیص این کاهش شدید نبودند. در واقع، این مدل‌های قدیمی، تصویری نادرست و بیش از حد خوش‌بینانه از وضعیت ارائه می‌دادند.

نتیجه‌گیری اصلی مقاله این است که سیستم‌های تحلیل داده‌های اجتماعی باید به طور مستمر با پدیده رانش مفهوم مقابله کنند. در غیر این صورت، با خطر طبقه‌بندی نادرست و سیستماتیک داده‌ها مواجه خواهند شد؛ خطری که در شرایط بحرانی، که داده‌ها به سرعت در حال تغییر هستند، به اوج خود می‌رسد.

روش تحقیق این مقاله بر یک آزمایش مقایسه‌ای هوشمندانه استوار است تا تأثیر رانش مفهوم را به صورت عملی نشان دهد. مراحل کلیدی این روش‌شناسی به شرح زیر است:

• گردآوری داده‌ها: پژوهشگران مجموعه‌ای بزرگ از توییت‌های مرتبط با واکسن را از دو بازه زمانی مجزا جمع‌آوری کردند: یکی از دوره پیش از همه‌گیری (مثلاً سال ۲۰۱۹) و دیگری از دوره اوج همه‌گیری (سال ۲۰۲۰).
• ساخت مدل پایه (پیش از همه‌گیری): آنها یک مدل یادگیری ماشین برای تحلیل احساسات (Sentiment Analysis) ساختند و آن را با استفاده از داده‌های برچسب‌گذاری‌شده (مثبت، منفی، خنثی) از دوره پیش از همه‌گیری آموزش دادند. این مدل نماینده سیستم‌های تحلیلی است که به‌روزرسانی نشده‌اند.
• ساخت مدل تطبیق‌یافته (هم‌زمان با همه‌گیری): یک مدل دوم نیز توسعه داده شد که یا از ابتدا بر روی داده‌های سال ۲۰۲۰ آموزش دید یا مدل قبلی با استفاده از داده‌های جدید بازآموزی (Re-training) یا تنظیم دقیق (Fine-tuning) شد. این مدل نماینده یک سیستم تحلیلی پویا و آگاه به تغییرات است.
• آزمایش و مقایسه: هر دو مدل بر روی مجموعه داده‌های سال ۲۰۲۰ آزمایش شدند. سپس خروجی‌ها و نتایج تحلیل احساسات این دو مدل با یکدیگر مقایسه شد. هدف اصلی، سنجش این بود که مدل قدیمی تا چه حد در درک و طبقه‌بندی صحیح گفتمان جدید پیرامون واکسن‌ها ناموفق عمل می‌کند.

این عدم تطابق زمانی بین داده‌های آموزشی مدل اول و داده‌های آزمون، هسته اصلی مشکل رانش مفهوم است. این تحقیق نشان می‌دهد که تغییرات در زبان، کلمات کلیدی، و زمینه بحث (مثلاً از واکسن‌های معمول اطفال به واکسن‌های mRNA و سیاست‌های مرتبط با آن) باعث می‌شود مدل قدیمی دیگر نتواند الگوهای جدید را به درستی تشخیص دهد.

این پژوهش به چندین یافته مهم و تأثیرگذار دست یافت که در ادامه به صورت موردی ذکر شده‌اند:

• کاهش چشمگیر احساسات مثبت نسبت به واکسن: تحلیل داده‌های سال ۲۰۲۰ با استفاده از مدل به‌روز شده، به وضوح نشان داد که نگرش عمومی در توییتر نسبت به واکسن‌ها به طور قابل توجهی منفی‌تر شده است. این کاهش ناشی از نگرانی‌ها در مورد سرعت تولید، عوارض جانبی، تئوری‌های توطئه و سیاسی شدن موضوع بود.
• شکست کامل مدل‌های قدیمی: مدل آموزش‌دیده بر روی داده‌های پیش از همه‌گیری، نه تنها در تشخیص این روند نزولی ناتوان بود، بلکه در بسیاری از موارد نتایج کاملاً اشتباهی ارائه می‌داد. این مدل ممکن بود احساسات را پایدار یا حتی مثبت گزارش کند، زیرا قادر به درک زمینه جدید کلمات و عبارات نبود.
• ماهیت رانش مفهوم در گفتمان واکسن: پژوهشگران دریافتند که رانش مفهوم به دلیل تغییرات اساسی در خود بحث رخ داده است. قبل از همه‌گیری، بحث‌ها عمدتاً حول واکسیناسیون کودکان و بیماری‌های شناخته‌شده بود. در سال ۲۰۲۰، کلمات و مفاهیم جدیدی مانند “mRNA”، “قرنطینه”، “واکسن اجباری” و اسامی چهره‌های سیاسی و علمی به بحث‌ها اضافه شدند که مدل قدیمی هیچ پیش‌زمینه‌ای برای تحلیل احساسات مرتبط با آنها نداشت.
• خطر خطای سیستماتیک: این مقاله تأکید می‌کند که این خطا یک اشتباه تصادفی نیست، بلکه یک خطای سیستماتیک است. مدل قدیمی به طور مداوم توییت‌های جدید را اشتباه تفسیر می‌کرد و این امر می‌توانست به یک تصویر کاملاً تحریف‌شده از واقعیت منجر شود.

نتایج این مقاله پیامدهای عملی مهمی برای چندین گروه دارد:

• برای سیاست‌گذاران و سازمان‌های بهداشت عمومی: این تحقیق یک هشدار جدی است. اتکا به ابزارهای هوش مصنوعی ایستا و قدیمی برای رصد افکار عمومی می‌تواند به تصمیم‌گیری‌های فاجعه‌بار منجر شود. سازمان‌ها باید از سیستم‌های پایش انطباق‌پذیر استفاده کنند که به طور مداوم به‌روز می‌شوند.
• برای پژوهشگران یادگیری ماشین: این مقاله یک مطالعه موردی برجسته و واقعی از تأثیر مخرب رانش مفهوم ارائه می‌دهد. این امر جامعه علمی را تشویق می‌کند تا الگوریتم‌های قوی‌تری توسعه دهند که قادر به شناسایی و سازگاری خودکار با رانش مفهوم باشند (رویکردهایی مانند یادگیری مستمر – Continuous Learning).
• برای تحلیلگران داده‌های اجتماعی: این پژوهش یک اصل اساسی را به عنوان بهترین رویه تثبیت می‌کند: مدل‌های تحلیل احساسات باید به صورت دوره‌ای، به‌ویژه زمانی که موضوع مورد تحلیل در دنیای واقعی دستخوش تغییرات سریع است، مورد ارزیابی مجدد و بازآموزی قرار گیرند.
• فراتر از حوزه سلامت: اصول مطرح شده در این مقاله تنها به واکسن محدود نمی‌شود. این یافته‌ها برای تحلیل هر موضوع پویای دیگری مانند انتخابات سیاسی، جنبش‌های اجتماعی، بحران‌های اقتصادی یا معرفی فناوری‌های جدید نیز کاملاً صادق است.

مقاله «مدیریت رانش مفهوم در یادگیری ماشین…» به شکلی قانع‌کننده نشان می‌دهد که چگونه پدیده‌ای فنی مانند رانش مفهوم می‌تواند پیامدهای اجتماعی گسترده‌ای داشته باشد. این پژوهش با تمرکز بر تحلیل احساسات نسبت به واکسن در دوران کووید-۱۹، به وضوح ثابت کرد که مدل‌های یادگیری ماشین ایستا، که با داده‌های گذشته آموزش دیده‌اند، در درک واقعیت‌های جدید و در حال تحول ناتوان هستند و می‌توانند تصویری خطرناک و نادرست از افکار عمومی ارائه دهند.

پیام نهایی این تحقیق روشن و ضروری است: برای بهره‌برداری مؤثر و مسئولانه از هوش مصنوعی در تحلیل داده‌های اجتماعی، باید از رویکردهای ایستا فراتر رفته و به سمت سیستم‌هایی حرکت کنیم که قادر به یادگیری و انطباق مستمر هستند. در جهانی که بحران‌ها به سرعت پدیدار می‌شوند و گفتمان‌های عمومی در یک چشم به هم زدن تغییر می‌کنند، مقابله با رانش مفهوم دیگر یک انتخاب فنی نیست، بلکه یک ضرورت برای جلوگیری از تصمیم‌گیری بر اساس داده‌های منسوخ و گمراه‌کننده است. این مقاله گامی مهم در جهت افزایش آگاهی نسبت به این چالش و ارائه راهکارهایی برای ساخت ابزارهای هوشمندتر و قابل اعتمادتر برای آینده است.