در بحبوحه همه‌گیری جهانی کووید-۱۹، واکسیناسیون به عنوان مؤثرترین راهکار برای مهار ویروس و بازگشت به شرایط عادی شناخته شد. با این حال، موفقیت برنامه‌های واکسیناسیون گسترده تنها به در دسترس بودن واکسن بستگی ندارد، بلکه به پذیرش عمومی آن نیز وابسته است. در این میان، پدیده‌ای به نام «تردید در واکسن» (Vaccine Hesitancy) که با انتشار اطلاعات نادرست و تئوری‌های توطئه در شبکه‌های اجتماعی تشدید می‌شود، به یک چالش بزرگ برای نظام‌های بهداشت عمومی در سراسر جهان تبدیل شد.

شبکه‌های اجتماعی، به ویژه توییتر، به بستری اصلی برای تبادل نظر و انتشار سریع اطلاعات (و اطلاعات نادرست) تبدیل شده‌اند. رصد و تحلیل دستی میلیون‌ها توییت برای درک احساسات عمومی و شناسایی امواج ضدواکسن عملاً غیرممکن است. اینجاست که اهمیت استفاده از ابزارهای هوش مصنوعی و پردازش زبان طبیعی (NLP) آشکار می‌شود.

مقاله حاضر با عنوان «تشخیص بازه‌های زمانی افزایش توییت‌های ضدواکسن کووید-۱۹ با مدل BERT» یک رویکرد نوآورانه برای حل این مشکل ارائه می‌دهد. این پژوهش فراتر از صرفاً شناسایی توییت‌های ضدواکسن رفته و هدف اصلی خود را شناسایی دوره‌های زمانی قرار داده است که در آن‌ها حجم این‌گونه محتوا به طور معناداری افزایش می‌یابد. این اطلاعات برای سازمان‌های بهداشتی و سیاست‌گذاران بسیار ارزشمند است، زیرا به آن‌ها اجازه می‌دهد تا به جای واکنش‌های منفعلانه، استراتژی‌های ارتباطی پیشگیرانه و هدفمندی را برای مقابله با امواج اطلاعات نادرست تدوین کنند.

این مقاله توسط تیمی از پژوهشگران به نام‌های اولکو تونجر کوچوکتاش (Ülkü Tuncer Küçüktaş)، فاتح اویسال (Fatih Uysal)، فرات هاردالاچ (Fırat Hardalaç) و اسماعیل بیری (İsmail Biri) به نگارش درآمده است. تخصص این محققان در حوزه‌های «محاسبات و زبان» و «یادگیری ماشین» قرار دارد که نشان‌دهنده ماهیت میان‌رشته‌ای این پژوهش است. این تحقیق در تقاطع علوم کامپیوتر، بهداشت عمومی و علوم اجتماعی قرار می‌گیرد و نمونه‌ای برجسته از کاربرد فناوری‌های پیشرفته هوش مصنوعی برای حل یک معضل واقعی در سلامت جامعه است. این رویکرد که به «اینفودمیولوژی» (Infodemiology) یا همه‌گیرشناسی اطلاعات مشهور است، به مطالعه الگوهای اطلاعات بهداشتی در فضای دیجیتال می‌پردازد.

هدف اصلی این پژوهش، طراحی و پیاده‌سازی یک سیستم هوشمند برای شناسایی و بصری‌سازی بازه‌های زمانی است که در آن فعالیت‌های ضدواکسن در توییتر به اوج خود می‌رسد. نویسندگان برای دستیابی به این هدف، از یکی از قدرتمندترین مدل‌های پردازش زبان طبیعی به نام BERT (Bidirectional Encoder Representations from Transformers) استفاده کرده‌اند.

روند کلی تحقیق به این صورت است که ابتدا مدلی برای دسته‌بندی توییت‌ها به چهار گروه اصلی آموزش داده می‌شود: اخبار، نامرتبط، ضدواکسن و حامی واکسن. پس از آموزش و ارزیابی مدل، از آن برای تحلیل یک مجموعه داده بسیار بزرگ از توییت‌ها استفاده می‌شود تا روند تغییرات هر دسته در طول زمان مشخص گردد. دستاورد نهایی این پژوهش، یک سیستم کمکی است که به جای تمرکز بر سانسور یا حذف محتوا، داده‌های تحلیلی و بصری ارزشمندی را در اختیار نهادهای مسئول قرار می‌دهد تا بتوانند استراتژی‌های ارتباطی و آگاهی‌بخش خود را به صورت هوشمندانه و مبتنی بر داده تنظیم کنند.

روش‌شناسی این تحقیق بر پایه یادگیری عمیق و تحلیل سری‌های زمانی استوار است و شامل مراحل زیر می‌باشد:

• جمع‌آوری و برچسب‌گذاری داده‌ها: پژوهشگران در ابتدا یک مجموعه داده شامل ۱۵۰۶ توییت را جمع‌آوری و به صورت دستی به چهار دسته مذکور برچسب‌گذاری کردند. این مجموعه داده کوچک به عنوان داده آموزشی و آزمایشی برای مدل BERT استفاده شد. علاوه بر این، یک مجموعه داده بسیار بزرگ‌تر شامل ۶۵۲,۸۴۰ توییت برای تحلیل نهایی و شناسایی روندها جمع‌آوری گردید.
• انتخاب و آموزش مدل: مدل انتخاب شده در این پژوهش، BERT است. این مدل یک شبکه عصبی مبتنی بر معماری ترنسفورمر است که به دلیل درک عمیق از متن و توانایی تحلیل «دو سویه» (Bidirectional) کلمات در جمله، انقلابی در پردازش زبان طبیعی ایجاد کرده است. برخلاف مدل‌های قدیمی‌تر که متن را فقط از چپ به راست یا راست به چپ می‌خواندند، BERT با در نظر گرفتن کل متن به صورت همزمان، به درک بسیار دقیقی از معنا و مفهوم کلمات در بستر جمله می‌رسد.
• فرایند آموزش: مدل BERT با استفاده از مجموعه داده برچسب‌گذاری شده و با پارامترهای مشخصی آموزش داده شد. این فرایند شامل ۲۵ دوره (Epoch) آموزش با نرخ یادگیری 5e-6 بود. این پارامترها به مدل اجازه می‌دهند تا به تدریج الگوهای زبانی مرتبط با هر دسته را بیاموزد و توانایی خود را در طبقه‌بندی توییت‌های جدید بهبود بخشد.
• تحلیل زمانی و بصری‌سازی: پس از آموزش و اطمینان از عملکرد مطلوب مدل، از آن برای دسته‌بندی مجموعه داده بزرگ ۶۵۲,۸۴۰ تایی استفاده شد. سپس، فراوانی هر دسته (به ویژه دسته ضدواکسن) در بازه‌های زمانی مختلف محاسبه و بر روی نمودار رسم شد. این نمودارها به وضوح نشان می‌دهند که در چه تاریخ‌هایی فعالیت‌های ضدواکسن افزایش یافته است. در نهایت، این افزایش‌ها با رویدادهای واقعی آن دوره (مانند اخبار مربوط به عوارض جانبی، سیاست‌گذاری‌های دولتی یا کمپین‌های خاص) مرتبط‌سازی شدند.

نتایج این پژوهش هم از نظر فنی و هم از نظر کاربردی قابل توجه است.

عملکرد مدل: ارزیابی مدل بر روی داده‌های آزمایشی نشان‌دهنده دقت و قابلیت اطمینان بالای آن بود.

• معیار F-score کلی مدل به ۰.۸۱ رسید. این معیار که میانگین هماهنگ دقت (Precision) و بازیابی (Recall) است، نشان می‌دهد که مدل تعادل خوبی بین شناسایی صحیح توییت‌های ضدواکسن و عدم طبقه‌بندی اشتباه سایر توییت‌ها برقرار کرده است.
• مقادیر AUC (Area Under the Curve) برای دسته‌های مختلف به ترتیب ۰.۹۹، ۰.۹۱، ۰.۹۲ و ۰.۹۲ به دست آمد. مقادیر AUC نزدیک به ۱ نشان‌دهنده توانایی عالی مدل در تفکیک بین کلاس‌های مختلف است. این نتایج ثابت می‌کند که مدل BERT برای این وظیفه بسیار کارآمد بوده است.

تحلیل روند زمانی: مهم‌ترین یافته این پژوهش، شناسایی موفقیت‌آمیز دوره‌های زمانی مشخصی بود که در آنها محتوای ضدواکسن به شدت افزایش یافته بود. با تحلیل این قله‌ها (Peaks) در نمودار زمانی، محققان توانستند ارتباط معناداری بین این امواج توییتری و رویدادهای خاص در دنیای واقعی پیدا کنند. برای مثال، یک جهش ناگهانی در توییت‌های ضدواکسن می‌توانست با انتشار خبری مبنی بر عوارض جانبی نادر یک واکسن خاص یا آغاز یک کمپین سازمان‌یافته توسط گروه‌های مخالف واکسیناسیون همزمان باشد.

نوآوری اصلی این مقاله در تغییر رویکرد از «تشخیص و حذف» به «تحلیل و استراتژی» نهفته است. این سیستم به عنوان یک ابزار هوشمند برای سیاست‌گذاران حوزه سلامت عمل می‌کند و کاربردهای عملی متعددی دارد:

• پاسخ سریع و هدفمند: سازمان‌های بهداشتی می‌توانند با مشاهده یک روند صعودی در احساسات ضدواکسن، به سرعت کمپین‌های اطلاع‌رسانی دقیق و مبتنی بر شواهد را برای مقابله با شایعات رایج در همان بازه زمانی راه‌اندازی کنند.
• درک دغدغه‌های عمومی: با تحلیل محتوای توییت‌ها در دوره‌های اوج، می‌توان فهمید که چه نگرانی‌های خاصی (مانند ترس از عوارض جانبی، بی‌اعتمادی به شرکت‌های داروسازی یا مسائل مربوط به آزادی فردی) موجب افزایش مخالفت‌ها شده است. این درک عمیق به طراحی پیام‌های مؤثرتر کمک می‌کند.
• تخصیص بهینه منابع: به جای اجرای کمپین‌های پرهزینه و مداوم، می‌توان منابع را بر روی دوره‌هایی متمرکز کرد که بیشترین نیاز به مداخله وجود دارد.
• الگویی برای آینده: این روش‌شناسی می‌تواند برای رصد و تحلیل افکار عمومی در مورد سایر مسائل بهداشتی (مانند بیماری‌های همه‌گیر آینده) یا موضوعات اجتماعی دیگر نیز به کار گرفته شود.

دستاورد بزرگ این تحقیق، ارائه یک سیستم کمکی است که به نهادها قدرت می‌دهد تا به صورت پیشگیرانه و مبتنی بر داده با پدیده خطرناک اطلاعات نادرست مقابله کنند و سلامت عمومی را به شکل مؤثرتری حفظ نمایند.

مقاله «تشخیص بازه‌های زمانی افزایش توییت‌های ضدواکسن کووید-۱۹ با مدل BERT» با موفقیت نشان می‌دهد که چگونه می‌توان از قدرت مدل‌های پیشرفته یادگیری عمیق برای تحلیل روندهای پیچیده در شبکه‌های اجتماعی بهره برد. این پژوهش با استفاده از مدل BERT توانست سیستمی با دقت بالا برای طبقه‌بندی توییت‌های مرتبط با واکسن ایجاد کرده و مهم‌تر از آن، با تحلیل زمانی این داده‌ها، یک ابزار قدرتمند برای تصمیم‌گیری استراتژیک در اختیار نهادهای بهداشت عمومی قرار دهد.

این تحقیق تأکید می‌کند که در عصر دیجیتال، مبارزه با اطلاعات نادرست نیازمند ابزارهای هوشمندی است که فراتر از شناسایی صرف عمل کرده و به درک پویایی افکار عمومی و ارائه راهکارهای به‌موقع کمک کنند. این رویکرد نه تنها برای بحران کووید-۱۹، بلکه برای هر چالش آتی در حوزه سلامت عمومی که با امواج اطلاعاتی در فضای مجازی همراه باشد، کاربردی و حیاتی خواهد بود.