معرفی و اهمیت پژوهش

در عصر اطلاعات و شبکه‌های اجتماعی، پلتفرم‌هایی مانند توییتر به منبعی غنی از داده‌های تولید شده توسط کاربران تبدیل شده‌اند که بازتاب‌دهنده نظرات، تجربیات، احساسات و مشاهدات افراد در مورد مسائل مختلف، از جمله مسائل بهداشتی و پزشکی هستند. این پژوهش با عنوان «شناسایی روابط علّی در توییت‌ها با یادگیری عمیق: مطالعه موردی توییت‌های دیابتی (2017-2021)» (به انگلیسی: Identifying causal relations in tweets using deep learning: Use case on diabetes-related tweets from 2017-2021) به بررسی یکی از چالش‌برانگیزترین جنبه‌های تحلیل محتوای شبکه‌های اجتماعی در حوزه سلامت می‌پردازد: کشف روابط علّی میان عوامل مختلف مرتبط با بیماری دیابت از خلال میلیون‌ها توییت.

بیماری دیابت یک چالش جهانی سلامت است و مدیریت آن نیازمند درک جامع از عوامل مؤثر بر تجربه بیماران است. درک اینکه چه عواملی منجر به بروز علائم خاص، تجربیات منفی، یا حتی راهکارهای بهبود می‌شود، می‌تواند اطلاعات حیاتی برای پزشکان، سیاست‌گذاران بهداشتی و حتی توسعه‌دهندگان داروها فراهم آورد. رویکردهای سنتی برای جمع‌آوری این اطلاعات اغلب شامل نظرسنجی‌ها، مطالعات بالینی و مصاحبه‌ها است که زمان‌بر بوده و مقیاس‌پذیری محدودی دارند. استفاده از داده‌های شبکه‌های اجتماعی، به ویژه توییتر، این امکان را فراهم می‌آورد که در مقیاس وسیع و در زمان واقعی، دیدگاه‌های بیماران را پایش کنیم.

اهمیت این پژوهش در توسعه یک متدولوژی نوین نهفته است که با بهره‌گیری از قدرت یادگیری عمیق و پردازش زبان طبیعی، قادر به شناسایی و استخراج روابط علّت و معلول، چه آشکار و چه پنهان، از متن‌های کوتاه و اغلب غیررسمی مانند توییت‌ها است. این توانایی، راه را برای فهم عمیق‌تر از جامعه آنلاین دیابت، افکار، احساسات و مشاهدات بیماران از منظر علیتی هموار می‌سازد و منبع اطلاعاتی مکمل و ارزشمندی در تحقیقات دیابت ارائه می‌دهد.

نویسندگان و پیشینه علمی

این پژوهش حاصل تلاش جمعی از محققان برجسته در حوزه‌های مختلف علم داده، هوش مصنوعی، یادگیری ماشین و بهداشت عمومی است. نویسندگان این مقاله شامل Adrian Ahne، Vivek Khetan، Xavier Tannier، Md Imbessat Hassan Rizvi، Thomas Czernichow، Francisco Orchard، Charline Bour، Andrew Fano، و Guy Fagherazzi هستند.

این فهرست از نویسندگان نشان‌دهنده یک رویکرد بین‌رشته‌ای قوی است که برای حل مسائل پیچیده سلامت در عصر دیجیتال ضروری است. تخصص‌هایی مانند هوش مصنوعی و یادگیری ماشین (AI, Machine Learning) در کنار علوم کامپیوتر و زبان‌شناسی محاسباتی (Computation and Language)، از ستون‌های اصلی این تحقیق به شمار می‌روند. این ترکیب از دانش، امکان توسعه ابزارهایی را فراهم می‌آورد که می‌توانند حجم عظیمی از داده‌های متنی را پردازش کرده و الگوهای معنی‌دار را از آن‌ها استخراج کنند.

در سال‌های اخیر، استفاده از تکنیک‌های هوش مصنوعی و یادگیری ماشین برای تحلیل داده‌های سلامت به طور فزاینده‌ای رواج یافته است. از تشخیص بیماری‌ها گرفته تا پیش‌بینی روند شیوع اپیدمی‌ها و حتی تحلیل احساسات بیماران در مورد داروها و درمان‌ها، هوش مصنوعی در حال تبدیل شدن به یک ابزار قدرتمند در حوزه پزشکی و بهداشت است. این مقاله نیز در امتداد همین روند، تلاش می‌کند تا با به‌کارگیری پیشرفته‌ترین مدل‌های یادگیری عمیق، به درکی عمیق‌تر از روابط علّی در تجربیات بیماران دیابتی دست یابد و بدین ترتیب، به پیشرفت تحقیقات در زمینه دیابت و سلامت عمومی کمک کند.

چکیده پژوهش و مروری بر محتوا

هدف اصلی این مطالعه، بهره‌گیری از روش‌های یادگیری ماشین برای استخراج ارتباطات علّت و معلولی، چه آشکار و چه پنهان، از توییت‌های مربوط به دیابت است که توسط خود بیماران گزارش شده‌اند. محققان به دنبال ارائه ابزاری برای درک بهتر نظرات، احساسات و مشاهدات به اشتراک گذاشته شده در جامعه آنلاین دیابت از منظر علیتی بوده‌اند.

برای دستیابی به این هدف، بیش از 30 میلیون توییت مرتبط با دیابت به زبان انگلیسی که بین آوریل 2017 تا ژانویه 2021 جمع‌آوری شده بودند، مورد استفاده قرار گرفتند. این حجم عظیم از داده‌ها نیازمند روش‌های پیشرفته پردازش زبان طبیعی (NLP) و یادگیری عمیق بود تا بتوان بر روی توییت‌های حاوی محتوای شخصی و احساسی تمرکز کرد.

روش‌شناسی شامل دو مرحله کلیدی بود:

1. یک مجموعه داده از توییت‌های حاوی روابط علّت و معلول به صورت دستی برچسب‌گذاری شد.
2. این مجموعه داده برای آموزش یک مدل Bertweet (بهینه‌سازی شده برای توییت‌ها) به منظور شناسایی جملات حاوی ارتباطات علّی مورد استفاده قرار گرفت.
3. سپس، یک مدل CRF (Conditional Random Fields) با ویژگی‌های مبتنی بر BERT برای استخراج دقیق روابط علّت و معلول (یعنی شناسایی کلمه یا عبارت دقیق علّت و معلول) آموزش داده شد.

در نهایت، علل و معلول‌های شناسایی شده با استفاده از یک رویکرد نیمه‌نظارتی خوشه‌بندی و در یک شبکه تعاملی علّت-معلول بصری‌سازی شدند.

نتایج نشان داد که جملات علّی با بازیابی (recall) 68% در یک مجموعه داده نامتوازن شناسایی شدند. مدل CRF با ویژگی‌های مبتنی بر BERT در مقایسه با یک مدل BERT بهینه‌شده، عملکرد بهتری برای تشخیص علّت و معلول با بازیابی کلان (macro recall) 68% از خود نشان داد. این فرایند منجر به شناسایی 96,676 جمله حاوی روابط علّت و معلول شد. در تحلیل خوشه‌ها، “دیابت” به عنوان خوشه مرکزی و پس از آن “مرگ” و “انسولین” شناسایی شدند. به طور قابل توجهی، علل مرتبط با قیمت‌گذاری انسولین به کرات با “مرگ” مرتبط بودند.

محققان نتیجه گرفتند که یک متدولوژی نوآورانه برای شناسایی جملات علّی و استخراج روابط علّت و معلول (هم آشکار و هم پنهان، هم تک کلمه‌ای و هم چند کلمه‌ای) آن‌گونه که در توییت‌های دیابتی بیان شده‌اند، با بهره‌گیری از معماری‌های مبتنی بر BERT و بصری‌سازی آن‌ها به عنوان یک شبکه علّت-معلول، توسعه یافته است. استخراج این ارتباطات علّی از داده‌های واقعی و گزارش‌شده توسط بیماران در رسانه‌های اجتماعی، منبع مکمل و مفیدی از اطلاعات در تحقیقات دیابت فراهم می‌کند.

روش‌شناسی و رویکرد پژوهش

پژوهش حاضر، یک رویکرد چند مرحله‌ای و پیچیده را برای شناسایی و تحلیل روابط علّی در توییت‌های مرتبط با دیابت اتخاذ کرده است. این روش‌شناسی بر پایه استفاده از حجم عظیمی از داده‌ها و به‌کارگیری پیشرفته‌ترین تکنیک‌های یادگیری عمیق و پردازش زبان طبیعی بنا شده است.

1. جمع‌آوری داده‌ها

• مقیاس داده: بیش از 30 میلیون توییت مرتبط با دیابت به زبان انگلیسی، طی یک دوره زمانی تقریباً چهار ساله (آوریل 2017 تا ژانویه 2021) جمع‌آوری شدند. این حجم داده، وسعت بی‌سابقه‌ای را برای تحلیل فراهم می‌آورد.

• تمرکز بر محتوای خاص: از میان این میلیون‌ها توییت، تنها آن‌هایی که حاوی محتوای شخصی و احساسی بودند، برای تحلیل بیشتر انتخاب شدند. این تمرکز به فیلتر کردن توییت‌های خبری، تبلیغاتی یا عمومی کمک می‌کند تا بر تجربیات واقعی بیماران متمرکز شویم.

2. برچسب‌گذاری دستی مجموعه داده (Manual Labeling)

• یک مجموعه داده باکیفیت و برچسب‌گذاری شده، پایه و اساس آموزش هر مدل یادگیری نظارت شده است. در این پژوهش، گروهی از متخصصان اقدام به برچسب‌گذاری دستی بخشی از توییت‌ها کردند تا روابط علّت و معلول را در آن‌ها مشخص کنند. این فرآیند اطمینان می‌دهد که مدل‌ها بر اساس دانش انسانی آموزش می‌بینند و می‌توانند الگوهای دقیق را شناسایی کنند.

3. مدل‌سازی یادگیری عمیق و پردازش زبان طبیعی

روش‌شناسی اصلی در این بخش، شامل دو مدل یادگیری عمیق برای انجام وظایف مجزا بود:

• شناسایی جملات علّی با Bertweet:

  • ابتدا، یک مدل Bertweet (که نسخه‌ای از مدل BERT است و به طور خاص بر روی حجم عظیمی از توییت‌ها آموزش دیده تا درک بهتری از زبان توییتری داشته باشد) بهینه‌سازی شد. این مدل برای تشخیص جملاتی که شامل یک ارتباط علّی هستند، آموزش داده شد. وظیفه این مدل این بود که صرفاً بگوید آیا یک جمله حاوی رابطه علّی هست یا خیر، نه اینکه دقیقاً علّت و معلول کدامند.

  • این مرحله به عنوان یک فیلتر اولیه عمل می‌کند تا تعداد جملاتی که نیاز به تحلیل عمیق‌تر دارند را کاهش دهد.

• استخراج روابط علّت و معلول با CRF و ویژگی‌های مبتنی بر BERT:

  • پس از شناسایی جملات علّی، مرحله بعدی استخراج دقیق عبارت یا کلمات علّت و معلول بود. برای این منظور، از یک مدل CRF (Conditional Random Fields) استفاده شد که با ویژگی‌های استخراج شده از مدل BERT تغذیه می‌شد. مدل‌های CRF برای وظایف برچسب‌گذاری توالی (Sequence Labeling) بسیار کارآمد هستند و می‌توانند مرزهای دقیق علّت و معلول را در جمله مشخص کنند.

  • مزیت ترکیب CRF با ویژگی‌های BERT در این است که BERT می‌تواند نمایندگی‌های معنایی غنی از کلمات و جملات ارائه دهد، در حالی که CRF در مدل‌سازی وابستگی‌های متوالی بین برچسب‌ها (مانند اینکه اگر کلمه‌ای علّت باشد، کلمه بعدی احتمالاً بخشی از علّت یا معلول است) قدرتمند است.

4. خوشه‌بندی و بصری‌سازی

• پس از استخراج ده‌ها هزار رابطه علّت و معلول، این علل و معلول‌ها به صورت نیمه‌نظارتی خوشه‌بندی شدند. خوشه‌بندی به شناسایی الگوهای تکراری و گروه‌بندی مفاهیم مشابه کمک می‌کند.

• در نهایت، این خوشه‌ها و روابط بین آن‌ها در یک شبکه تعاملی علّت-معلول بصری‌سازی شدند. این بصری‌سازی به کاربران امکان می‌دهد تا به راحتی روابط پیچیده را درک کرده و کاوش کنند.

این رویکرد جامع، نه تنها به شناسایی جملات حاوی روابط علّی می‌پردازد، بلکه با دقت بالایی، اجزای علّت و معلول را نیز در داخل این جملات استخراج کرده و آن‌ها را به گونه‌ای سازماندهی می‌کند که قابل تحلیل و درک باشند.

یافته‌های کلیدی

نتایج حاصل از این پژوهش، بینش‌های مهمی را در زمینه شناسایی روابط علّی در داده‌های شبکه‌های اجتماعی و همچنین درک بهتر از تجربیات بیماران دیابتی فراهم می‌آورد. یافته‌های اصلی به شرح زیر است:

• کارایی مدل شناسایی جملات علّی: مدل بهینه‌سازی شده Bertweet توانست جملات حاوی روابط علّی را با بازیابی 68% شناسایی کند. این نتیجه، با توجه به نامتوازن بودن مجموعه داده و پیچیدگی زبان طبیعی در توییت‌ها، نشان‌دهنده عملکرد قابل قبول مدل در فیلتر کردن جملات مرتبط است.

• برتری مدل CRF در استخراج روابط: در مرحله استخراج دقیق علّت و معلول، مدل CRF با ویژگی‌های مبتنی بر BERT عملکرد بهتری نسبت به مدل BERT بهینه‌شده خالص از خود نشان داد و به بازیابی کلان 68% دست یافت. این نتیجه حاکی از این است که برای وظایف برچسب‌گذاری توالی پیچیده، ترکیب قدرت معنایی BERT با توانایی مدل‌سازی وابستگی‌های متوالی CRF می‌تواند رویکردی مؤثرتر باشد.

• حجم عظیم روابط شناسایی شده: مجموعاً 96,676 جمله حاوی ارتباطات علّت و معلول از میلیون‌ها توییت مورد تحلیل، استخراج شد. این تعداد بالا نشان‌دهنده توانایی ابزار توسعه یافته در پردازش حجم عظیمی از داده‌ها و استخراج اطلاعات ارزشمند از آن‌هاست.

• خوشه‌های مرکزی علل و معلول‌ها: تحلیل خوشه‌ای از علل و معلول‌ها، نتایج معناداری را آشکار کرد:

  • کلمه “Diabetes” (دیابت) به عنوان خوشه مرکزی در شبکه علّت-معلول شناسایی شد که منطقی است، زیرا تمامی توییت‌ها مرتبط با این بیماری بودند. این امر تأیید می‌کند که مدل‌ها به درستی بر روی موضوع اصلی متمرکز شده‌اند.

  • پس از “دیابت”، خوشه‌های مهم دیگر شامل “Death” (مرگ) و “Insulin” (انسولین) بودند. این امر نشان‌دهنده نگرانی‌های عمده بیماران و جامعه در مورد عواقب جدی دیابت و نیز وابستگی به انسولین به عنوان یک درمان کلیدی است.

• ارتباط حساس “قیمت انسولین” با “مرگ”: یکی از یافته‌های برجسته و بسیار مهم، ارتباط مکرر و قوی میان علل مربوط به “Insulin pricing” (قیمت‌گذاری انسولین) و معلول “Death” (مرگ) بود. این یافته یک زنگ خطر جدی برای سیاست‌گذاران بهداشتی و شرکت‌های داروسازی محسوب می‌شود. این ارتباط به طور ضمنی نشان می‌دهد که بیماران، دسترسی به انسولین ارزان‌تر را به طور مستقیم با بقا و جلوگیری از مرگ مرتبط می‌دانند، که بیانگر یک مشکل حاد و واقعی در سیستم بهداشتی است.

این یافته‌ها نه تنها اثربخشی روش‌شناسی توسعه یافته را تأیید می‌کنند، بلکه بینش‌های عملی و مستقیمی را در مورد دغدغه‌های بیماران دیابتی و تأثیرات واقعی بیماری و درمان آن در زندگی روزمره آن‌ها، از جمله چالش‌های اقتصادی مرتبط با دارو، ارائه می‌دهند.

کاربردها و دستاوردها

دستاوردهای این پژوهش فراتر از یک مطالعه آکادمیک بوده و کاربردهای عملی گسترده‌ای در حوزه‌های سلامت عمومی، سیاست‌گذاری، تحقیقات پزشکی و حمایت از بیماران دارد:

• پایش سلامت عمومی در زمان واقعی: این روش‌شناسی امکان پایش مستمر و در مقیاس وسیع تجربیات و نگرانی‌های بیماران دیابتی را از طریق شبکه‌های اجتماعی فراهم می‌کند. سازمان‌های بهداشتی می‌توانند از این ابزار برای شناسایی زودهنگام مشکلات نوظهور، روندهای جدید بیماری، یا نگرانی‌های مربوط به داروها و درمان‌ها استفاده کنند.

• اطلاع‌رسانی به سیاست‌گذاران بهداشتی: یافته‌هایی مانند ارتباط مکرر بین “قیمت‌گذاری انسولین” و “مرگ”، اطلاعات حیاتی را برای سیاست‌گذاران فراهم می‌کند. این داده‌ها می‌توانند به عنوان شواهد قوی برای توجیه تغییرات در سیاست‌های قیمت‌گذاری داروها، بهبود دسترسی به مراقبت‌های بهداشتی، یا برنامه‌های کمک مالی برای بیماران، مورد استفاده قرار گیرند.

• تکمیل تحقیقات دارویی و درمانی: شرکت‌های داروسازی و محققان می‌توانند از این ابزار برای جمع‌آوری بازخورد بیماران در مورد اثربخشی داروها، عوارض جانبی گزارش‌شده توسط بیمار، و نیازهای برآورده نشده استفاده کنند. این امر می‌تواند منجر به توسعه داروهای بهتر و درمان‌های هدفمندتر شود.

• شناسایی نیازهای حمایتی بیماران: با درک علل و معلول‌های مرتبط با دیابت، سازمان‌های حمایت از بیماران می‌توانند برنامه‌ها و منابع خود را برای پاسخگویی به نگرانی‌های اصلی و رایج بیماران تنظیم کنند. به عنوان مثال، اگر هزینه انسولین یک عامل نگرانی عمده است، می‌توانند بر ارائه کمک‌های مالی یا مشاوره در این زمینه تمرکز کنند.

• پیش‌بینی روند بیماری: با تجزیه و تحلیل الگوهای علّی در طول زمان، ممکن است بتوان روندهای بالقوه در شیوع بیماری، تغییرات در مدیریت بیماری، یا حتی اثرات عوامل محیطی را پیش‌بینی کرد.

• استخراج علل و معلول‌های آشکار و پنهان: این متدولوژی قادر به شناسایی روابط علّی صریح و ضمنی است. بسیاری از روابط علّی در گفتگوی روزمره به صراحت بیان نمی‌شوند، و توانایی این ابزار برای کشف این روابط پنهان، ارزش آن را دوچندان می‌کند.

• شناسایی علل و معلول‌های تک‌کلمه‌ای و چند کلمه‌ای: دقت مدل‌ها در استخراج عبارات دقیق علّت و معلول، اعم از یک کلمه یا چندین کلمه، امکان تحلیل جزئی‌نگر و دقیق‌تری را فراهم می‌آورد.

به طور خلاصه، این پژوهش یک ابزار قدرتمند برای تبدیل داده‌های نامنظم و حجیم شبکه‌های اجتماعی به بینش‌های ساختاریافته و قابل اقدام در حوزه سلامت ارائه می‌دهد. این دستاورد به عنوان یک منبع اطلاعاتی مفید و مکمل در کنار روش‌های سنتی جمع‌آوری داده‌ها، می‌تواند به بهبود مدیریت دیابت و ارتقای سلامت جامعه کمک شایانی کند.

نتیجه‌گیری و افق‌های آینده

این مطالعه با موفقیت یک متدولوژی نوآورانه را برای شناسایی جملات علّی و استخراج روابط علّت و معلول (شامل علل آشکار و پنهان، و همچنین تک‌کلمه‌ای و چندکلمه‌ای) از توییت‌های مرتبط با دیابت توسعه داده است. با بهره‌گیری از معماری‌های پیشرفته مبتنی بر BERT و مدل‌های CRF، این پژوهش توانست از میلیون‌ها توییت انگلیسی‌زبان، نزدیک به صد هزار رابطه علّی معتبر را استخراج کرده و آن‌ها را در قالب یک شبکه تعاملی علّت-معلول بصری‌سازی کند.

دستاورد اصلی، اثبات کارایی یادگیری عمیق در استخراج اطلاعات پیچیده علیتی از داده‌های نامنظم و پر سر و صدای شبکه‌های اجتماعی است. شناسایی خوشه‌های مرکزی مانند “دیابت”، “مرگ” و “انسولین”، و به ویژه ارتباط نگران‌کننده میان “قیمت‌گذاری انسولین” و “مرگ”، بینش‌های حیاتی را در مورد چالش‌ها و نگرانی‌های واقعی بیماران دیابتی ارائه می‌دهد.

این روش‌شناسی، به عنوان یک منبع مکمل ارزشمند اطلاعات در تحقیقات دیابت و سلامت عمومی عمل می‌کند و می‌تواند به درک عمیق‌تر از تجربیات بیماران، شناسایی مشکلات سیستمیک، و شکل‌دهی به سیاست‌های بهداشتی آگاهانه کمک کند.

افق‌های آینده:

• گسترش به بیماری‌های دیگر: متدولوژی توسعه یافته را می‌توان برای شناسایی روابط علّی در توییت‌ها یا سایر داده‌های شبکه‌های اجتماعی مرتبط با بیماری‌های مزمن دیگر، مانند بیماری‌های قلبی-عروقی، سرطان یا اختلالات روانی، به کار برد.

• تحلیل بین‌زبانی: انجام تحقیقات مشابه بر روی داده‌های شبکه‌های اجتماعی به زبان‌های دیگر می‌تواند به درک تفاوت‌های فرهنگی و سیستم‌های بهداشتی در سراسر جهان کمک کند.

• پایش و هشداردهی زمان واقعی: توسعه سیستمی که به صورت بلادرنگ توییت‌ها را پایش کرده و هشدارهایی را در مورد روندها یا بحران‌های نوظهور در سلامت عمومی صادر کند، می‌تواند گام بعدی مهمی باشد.

• تلفیق با داده‌های کلینیکی: ترکیب روابط علّی استخراج شده از شبکه‌های اجتماعی با داده‌های ثبت‌شده در پرونده‌های پزشکی الکترونیکی می‌تواند به ایجاد یک تصویر جامع‌تر و غنی‌تر از وضعیت سلامت بیماران کمک کند.

• توسعه ابزارهای تعاملی برای کاربران نهایی: ایجاد رابط‌های کاربری دوستانه‌تر که به پزشکان، محققان و حتی خود بیماران امکان کاوش آسان در این شبکه‌های علّت-معلول را بدهد.

در نهایت، این پژوهش نمونه درخشانی از پتانسیل هوش مصنوعی در متحول کردن درک ما از سلامت و بیماری در مقیاس جمعی است. با ادامه توسعه و پالایش این روش‌ها، می‌توانیم امیدوار باشیم که ابزارهای قدرتمندتری برای بهبود کیفیت زندگی بیماران و پیشبرد سلامت عمومی جهانی ایجاد کنیم.