مقاله حاضر به بررسی چگونگی استفاده از داده‌های رسانه‌های اجتماعی، به‌طور خاص پلتفرم ردیت، برای پایش و درک بهتر همه‌گیری کووید-۱۹ می‌پردازد. با توجه به نقش محوری رسانه‌های اجتماعی در زندگی روزمره افراد، این مقاله نشان می‌دهد که می‌توان با تحلیل داده‌های این پلتفرم‌ها، اطلاعات ارزشمندی در مورد رفتارهای بهداشتی، نگرانی‌ها و دیدگاه‌های عمومی در رابطه با همه‌گیری به دست آورد. این اطلاعات می‌تواند به سیاست‌گذاران و مسئولان بهداشتی کمک کند تا تصمیمات آگاهانه‌تری در جهت کنترل و مدیریت بحران اتخاذ کنند.

این تحقیق توسط کریستوفر ویتفیلد، یانگ لیو و محمد انور انجام شده است. زمینه اصلی تحقیق در حوزه شبکه‌های اجتماعی و اطلاعاتی، بازیابی اطلاعات و یادگیری ماشین قرار دارد. نویسندگان با استفاده از تخصص خود در این زمینه‌ها، به بررسی داده‌های ردیت پرداخته و سعی کرده‌اند الگوها و روندهای مرتبط با همه‌گیری کووید-۱۹ را شناسایی کنند. هدف اصلی این تحقیق، ارزیابی میزان تاثیرگذاری رسانه‌های اجتماعی در انعکاس و شکل‌دهی به دیدگاه‌های عمومی در مورد همه‌گیری و راهکارهای مقابله با آن است.

همه‌گیری بیماری کووید-۱۹ جنبه‌های مختلف زندگی و رفتارهای افراد را تحت تأثیر قرار داده است. در این مرحله، بهترین راهکارها برای کنترل این بیماری، اتخاذ استراتژی‌های کاهشی مانند استفاده از ماسک، رعایت فاصله اجتماعی و شستشوی دست‌ها است. در دوران فاصله‌گذاری اجتماعی، رسانه‌های اجتماعی نقش کلیدی در ارتباط افراد و ایجاد بستری برای ابراز احساسات آن‌ها ایفا می‌کنند. این مطالعه با استفاده از رسانه‌های اجتماعی، به بررسی میزان پذیرش استراتژی‌های کاهشی و تشخیص بیماری و همچنین بررسی مسائل و نگرانی‌های مربوط به همه‌گیری می‌پردازد. سوال اصلی تحقیق این است که “با استفاده از پردازش زبان طبیعی بر روی پست‌های ردیت، چه میزان می‌توان در مورد پذیرش عمومی استراتژی‌های کاهشی و نگرانی‌ها در مورد همه‌گیری کووید-۱۹ اطلاعات کسب کرد؟” پس از استخراج پست‌های مرتبط با کووید از چهار انجمن بزرگ ردیت در کارولینای شمالی طی شش ماه، از پردازش زبان طبیعی برای پاکسازی داده‌های دارای نویز استفاده شد. از یک سیستم تشخیص نامگذاری موجودیت سفارشی (NER) و روش تخصیص پنهان دیریکله (LDA) برای مدل‌سازی موضوعی بر روی مجموعه داده ردیت استفاده شد. نتایج نشان داد که ‘ماسک’، ‘آنفولانزا’ و ‘تست’ به ترتیب شایع‌ترین موجودیت‌های نام‌گذاری شده برای دسته‌های “تجهیزات حفاظت فردی”، “علائم” و “تست” هستند. همچنین مشاهده شد که بیشترین موضوعات مورد بحث مربوط به آزمایش، ماسک و اشتغال است. اقدامات کاهش خطر، شایع‌ترین موضوع مورد بحث در همه زیرگروه‌ها بود.

روش‌شناسی این تحقیق شامل چند مرحله کلیدی است:

• استخراج داده: جمع‌آوری پست‌ها و نظرات مرتبط با کووید-۱۹ از چهار زیرگروه بزرگ ردیت در کارولینای شمالی طی یک دوره شش ماهه.
• پیش‌پردازش داده: استفاده از تکنیک‌های پردازش زبان طبیعی (NLP) برای پاکسازی و آماده‌سازی داده‌ها. این مرحله شامل حذف کلمات توقف، تصحیح غلط‌های املایی و یکسان‌سازی فرمت متن می‌شود.
• تشخیص نامگذاری موجودیت (NER): استفاده از یک سیستم NER سفارشی برای شناسایی و دسته‌بندی موجودیت‌های مهم مانند “ماسک”، “تست”، “علائم” و غیره. برای مثال، سیستم NER به دنبال عباراتی مانند “ماسک N95” یا “تست PCR” می‌گردد و آن‌ها را به دسته‌های مربوطه تخصیص می‌دهد.
• مدل‌سازی موضوعی (LDA): استفاده از روش تخصیص پنهان دیریکله (LDA) برای شناسایی موضوعات اصلی مورد بحث در پست‌های ردیت. LDA یک الگوریتم یادگیری ماشین است که به طور خودکار موضوعات پنهان در یک مجموعه داده متنی را کشف می‌کند. به عنوان مثال، LDA ممکن است موضوعاتی مانند “نگرانی‌های اقتصادی ناشی از همه‌گیری”، “اثرات روانی فاصله‌گذاری اجتماعی” یا “بحث در مورد واکسیناسیون” را شناسایی کند.
• تحلیل نتایج: بررسی و تفسیر نتایج به دست آمده از NER و LDA برای درک بهتر دیدگاه‌ها و رفتارهای عمومی در مورد همه‌گیری.

به طور خلاصه، این تحقیق از یک رویکرد ترکیبی کمی و کیفی برای تحلیل داده‌های رسانه‌های اجتماعی استفاده می‌کند. رویکرد کمی با استفاده از NER و LDA به شناسایی الگوها و روندهای آماری کمک می‌کند، در حالی که رویکرد کیفی با بررسی نمونه‌هایی از پست‌ها و نظرات ردیت، درک عمیق‌تری از دیدگاه‌های افراد ارائه می‌دهد.

مثالی از کاربرد NER: با شناسایی فراوانی استفاده از کلمه “ماسک” در کنار کلماتی مانند “اجباری” یا “اختیاری”، محققان می‌توانند میزان موافقت یا مخالفت با سیاست‌های مربوط به استفاده از ماسک را تخمین بزنند.

یافته‌های کلیدی این تحقیق عبارتند از:

• شایع‌ترین موجودیت‌های نام‌گذاری شده: “ماسک”، “آنفولانزا” و “تست” به ترتیب شایع‌ترین موجودیت‌ها در دسته‌های “تجهیزات حفاظت فردی”، “علائم” و “تست” بودند. این نشان می‌دهد که این موضوعات بیشترین توجه را در بین کاربران ردیت داشته‌اند.
• موضوعات اصلی مورد بحث: موضوعات اصلی مورد بحث شامل آزمایش، ماسک و اشتغال بود. این نشان می‌دهد که کاربران ردیت در مورد این مسائل خاص نگران بوده و به دنبال اطلاعات و بحث در مورد آن‌ها بوده‌اند.
• موضوع غالب: اقدامات کاهش خطر، شایع‌ترین موضوع مورد بحث در تمام زیرگروه‌ها بود. این نشان می‌دهد که کاربران ردیت به شدت به اقدامات پیشگیرانه مانند استفاده از ماسک و رعایت فاصله اجتماعی توجه داشته‌اند.

علاوه بر این، این تحقیق نشان داد که الگوهای بحث و گفتگو در زیرگروه‌های مختلف ردیت متفاوت است. به عنوان مثال، ممکن است یک زیرگروه بر روی مسائل اقتصادی تمرکز داشته باشد، در حالی که زیرگروه دیگری بر روی مسائل بهداشتی و درمانی تمرکز کند. این نشان می‌دهد که درک تفاوت‌های بین زیرگروه‌های مختلف برای تحلیل دقیق‌تر داده‌های رسانه‌های اجتماعی ضروری است.

به عنوان مثال، یافته‌ها نشان داد که بحث در مورد “مشکلات اقتصادی” در زیرگروه‌های مربوط به کسب و کار و اقتصاد بیشتر از زیرگروه‌های مربوط به بهداشت و سلامت بوده است.

این تحقیق دارای کاربردها و دستاوردهای متعددی است:

• پایش بلادرنگ همه‌گیری: این تحقیق نشان می‌دهد که می‌توان از رسانه‌های اجتماعی برای پایش بلادرنگ همه‌گیری و شناسایی مسائل و نگرانی‌های نوظهور استفاده کرد. این اطلاعات می‌تواند به مسئولان بهداشتی کمک کند تا به سرعت به تغییرات در رفتارها و دیدگاه‌های عمومی پاسخ دهند.
• ارزیابی اثربخشی سیاست‌ها: با تحلیل داده‌های رسانه‌های اجتماعی، می‌توان اثربخشی سیاست‌های بهداشتی مانند اجباری کردن استفاده از ماسک یا واکسیناسیون را ارزیابی کرد. به عنوان مثال، می‌توان میزان موافقت یا مخالفت با این سیاست‌ها را در بین کاربران رسانه‌های اجتماعی اندازه‌گیری کرد.
• بهبود ارتباطات بهداشتی: با درک نگرانی‌ها و نیازهای اطلاعاتی عمومی، می‌توان ارتباطات بهداشتی را بهبود بخشید و پیام‌های مؤثرتری را برای تشویق رفتارهای بهداشتی ارسال کرد.
• توسعه ابزارهای تحلیل رسانه‌های اجتماعی: این تحقیق به توسعه ابزارهای تحلیل رسانه‌های اجتماعی برای پایش و مدیریت بحران‌های بهداشتی کمک می‌کند.

به طور کلی، این تحقیق نشان می‌دهد که رسانه‌های اجتماعی می‌توانند منبع ارزشمندی برای اطلاعات در مورد همه‌گیری‌ها و سایر بحران‌های بهداشتی باشند. با استفاده از تکنیک‌های پردازش زبان طبیعی و یادگیری ماشین، می‌توان الگوها و روندهایی را شناسایی کرد که در غیر این صورت قابل مشاهده نخواهند بود.

به عنوان مثال، یافته‌های این تحقیق می‌تواند به سازمان‌های بهداشتی کمک کند تا پیام‌های خود را به گونه‌ای تنظیم کنند که به نگرانی‌های خاص افراد پاسخ دهند و در نتیجه، مشارکت عمومی را در برنامه‌های بهداشتی افزایش دهند.

در نتیجه، این مطالعه نشان داد که تحلیل داده‌های رسانه‌های اجتماعی، به‌ویژه ردیت، می‌تواند اطلاعات ارزشمندی در مورد پذیرش عمومی استراتژی‌های کاهشی و نگرانی‌های مربوط به همه‌گیری کووید-۱۹ ارائه دهد. استفاده از تکنیک‌های پردازش زبان طبیعی و یادگیری ماشین امکان شناسایی موضوعات کلیدی مورد بحث و نظرات غالب در جامعه را فراهم می‌آورد. این اطلاعات می‌تواند به سیاست‌گذاران و متخصصان بهداشتی کمک کند تا تصمیمات آگاهانه‌تری اتخاذ کرده و ارتباطات بهداشتی مؤثرتری را طراحی کنند. با این حال، لازم به ذکر است که داده‌های رسانه‌های اجتماعی ممکن است دارای سوگیری باشند و نتایج به دست آمده باید با احتیاط تفسیر شوند. در آینده، تحقیقات بیشتری برای بررسی نقش سایر پلتفرم‌های رسانه‌های اجتماعی و همچنین ترکیب داده‌های رسانه‌های اجتماعی با سایر منابع داده برای ایجاد یک تصویر جامع‌تر از وضعیت همه‌گیری مورد نیاز است. همچنین، توجه به حفظ حریم خصوصی کاربران و رعایت ملاحظات اخلاقی در هنگام جمع‌آوری و تحلیل داده‌های رسانه‌های اجتماعی بسیار حائز اهمیت است.

به طور خلاصه، این مقاله گامی مهم در جهت استفاده از ظرفیت رسانه‌های اجتماعی برای پایش و مدیریت بحران‌های بهداشتی است و نشان می‌دهد که با استفاده از رویکردهای نوآورانه و تحلیل داده‌های بزرگ، می‌توان به درک بهتری از دیدگاه‌ها و رفتارهای عمومی در زمان بحران دست یافت.