مقدمه و اهمیت مقاله

همه‌گیری جهانی کووید-۱۹ نه تنها نظام سلامت را تحت فشار بی‌سابقه‌ای قرار داد، بلکه پیامدهای گسترده‌ای در حوزه‌های اقتصادی، اجتماعی و فرهنگی نیز برجای گذاشت. در این میان، نقش رسانه‌ها در شکل‌دهی به افکار عمومی، اطلاع‌رسانی درباره روند بیماری، توصیه‌ها و راهکارها، و تأثیرگذاری بر تصمیم‌گیری‌های فردی و جمعی، انکارناپذیر بود. پوشش خبری این بحران، با حجم عظیم و پیچیدگی‌های خاص خود، نیازمند ابزارهای تحلیلی پیشرفته‌ای بود تا بتوان تصویری عمیق‌تر و دقیق‌تر از چگونگی روایت کووید-۱۹ در رسانه‌های جهانی به دست آورد.

مقاله حاضر با عنوان “درک پوشش خبری کووید-۱۹ با استفاده از پردازش زبان طبیعی پزشکی” (Understanding COVID-19 News Coverage using Medical NLP) دقیقاً به همین نیاز پاسخ می‌دهد. این پژوهش با بهره‌گیری از آخرین دستاوردهای پردازش زبان طبیعی (NLP) در حوزه پزشکی، رویکردی نوین را برای تحلیل حجم عظیمی از مقالات خبری مرتبط با کووید-۱۹ ارائه می‌دهد. اهمیت این مطالعه در توانایی آن برای فراتر رفتن از تحلیل‌های سطحی و کشف الگوها، سوگیری‌ها، و روندهای پنهان در پوشش خبری این همه‌گیری است که می‌تواند درک ما را از ارتباط بین رسانه، سلامت عمومی و سلامت روان، عمیق‌تر کند.

نویسندگان و زمینه تحقیق

این مقاله حاصل تلاش پژوهشگرانی برجسته در حوزه هوش مصنوعی و علوم کامپیوتر است: علی ایمره وارول (Ali Emre Varol)، ویسل کوکمان (Veysel Kocaman)، هاشام الحق (Hasham Ul Haq)، و دیوید تالبی (David Talby). تخصص این تیم در زمینه‌هایی چون رایانش و زبان (Computation and Language) و هوش مصنوعی (Artificial Intelligence) به آن‌ها امکان داده است تا با دیدی چندوجهی به مسئله پوشش خبری کووید-۱۹ بپردازند. ترکیب دانش نظری در پردازش زبان طبیعی با کاربرد عملی آن در مسائل دنیای واقعی، به‌ویژه در حوزه پزشکی، ستون فقرات این تحقیق را تشکیل می‌دهد.

زمینه تحقیق این مقاله در تقاطع دو حوزه بسیار مهم قرار دارد: رسانه و سلامت. از یک سو، چگونگی انعکاس یک بحران بهداشتی جهانی در رسانه‌های پرمخاطب، پیامدهای مهمی برای سلامت عمومی، سیاست‌گذاری‌های بهداشتی و حتی رفتار فردی دارد. از سوی دیگر، پیچیدگی زبان پزشکی و حجم عظیم اطلاعات تولید شده حول موضوعاتی مانند علائم، داروها، واکسن‌ها و روش‌های درمانی، تحلیل دستی این حجم از محتوا را تقریباً غیرممکن می‌سازد. به همین دلیل، استفاده از ابزارهای هوش مصنوعی، به‌ویژه مدل‌های پیشرفته NLP که برای پردازش متون پزشکی طراحی شده‌اند، راه را برای تحقیقات عمیق‌تر و جامع‌تر هموار می‌سازد.

چکیده و خلاصه محتوا

چکیده این مقاله به طور خلاصه اهداف، روش‌شناسی و دستاوردهای اصلی تحقیق را بیان می‌کند. نویسندگان به درستی اشاره می‌کنند که کووید-۱۹ به عنوان یک همه‌گیری جهانی، توجه رسانه‌های سراسر دنیا را به خود جلب کرد. این مطالعه به تحلیل پوشش خبری دو رسانه تأثیرگذار جهانی، یعنی CNN و The Guardian، می‌پردازد. مجموعه داده مورد استفاده بیش از ۳۶,۰۰۰ مقاله را شامل می‌شود.

نکته کلیدی در روش‌شناسی، استفاده از مدل‌های پردازش زبان طبیعی بالینی و زیست‌پزشکی از کتابخانه Spark NLP for Healthcare است. این ابزارها امکان تحلیلی عمیق‌تر از مفاهیم پزشکی را فراهم می‌کنند که پیش از این دسترسی به آن دشوار بود. تحلیل‌ها بر روی موضوعات مهمی مانند:

• استخراج موجودیت‌های کلیدی و عبارات مرتبط با پزشکی
• شناسایی سوگیری‌های مشاهده شده در پوشش خبری
• بررسی تغییرات پوشش خبری در طول زمان
• همبستگی علائم، روش‌های درمانی، داروها و توصیه‌های پزشکی با گروه‌های جمعیتی و شغلی رایج
• استخراج عوارض جانبی داروها (Adverse Drug Events) مرتبط با تولیدکنندگان دارو و واکسن

به‌طور ویژه، استخراج عوارض جانبی داروها و واکسن‌ها و نحوه گزارش آن‌ها توسط رسانه‌های مهم، به عنوان عاملی مؤثر بر تردید نسبت به واکسن (Vaccine Hesitancy) مورد توجه قرار گرفته است. این بخش از تحقیق، ابعاد روانشناختی و اجتماعی بحران را نیز پوشش می‌دهد.

روش‌شناسی تحقیق

قلب تپنده این تحقیق، استفاده نوآورانه از پردازش زبان طبیعی (NLP) در حوزه پزشکی است. نویسندگان با انتخاب کتابخانه Spark NLP for Healthcare، ابزاری قدرتمند را برای تحلیل متون انتخاب کرده‌اند. این کتابخانه به‌طور خاص برای استخراج اطلاعات دقیق از اسناد پزشکی و بالینی طراحی شده است و توانایی بالایی در درک مفاهیم پیچیده پزشکی، شناسایی موجودیت‌های خاص (مانند بیماری‌ها، علائم، داروها، روش‌های درمانی، گروه‌های جمعیتی) و تشخیص روابط بین آن‌ها دارد.

فرآیند کلی تحقیق را می‌توان به مراحل زیر تقسیم کرد:

1. جمع‌آوری داده: گردآوری مجموعه داده‌ای عظیم شامل بیش از ۳۶,۰۰۰ مقاله خبری از دو منبع معتبر و پرمخاطب، CNN و The Guardian. این حجم داده، تصویری جامع از گستردگی و عمق پوشش خبری کووید-۱۹ را ارائه می‌دهد.
2. پیش‌پردازش متن: آماده‌سازی مقالات برای تحلیل، که شامل پاکسازی متن، حذف نویز و تبدیل آن به قالبی قابل فهم برای مدل‌های NLP است.
3. استخراج موجودیت‌های نام‌دار (Named Entity Recognition – NER): استفاده از مدل‌های NLP تخصصی پزشکی برای شناسایی و دسته‌بندی انواع موجودیت‌های پزشکی در متن. این موجودیت‌ها می‌توانند شامل نام بیماری‌ها (مانند COVID-19، SARS-CoV-2)، علائم (مانند تب، سرفه، تنگی نفس)، داروها (مانند رمدسیویر، فاویپیراویر)، واکسن‌ها (مانند فایزر، مدرنا)، روش‌های درمانی، نام تولیدکنندگان دارو و واکسن، و همچنین گروه‌های جمعیتی (مانند سالمندان، کودکان) و مشاغل (مانند کادر درمان، کارگران) باشند.
4. تحلیل روابط (Relation Extraction): شناسایی و تحلیل روابط بین موجودیت‌های استخراج شده. برای مثال، تشخیص اینکه کدام علائم با کدام داروها یا کدام گروه‌های جمعیتی بیشتر مورد بحث قرار گرفته‌اند، یا کدام عوارض جانبی به کدام واکسن‌ها نسبت داده شده‌اند.
5. تحلیل زمانی و سوگیری: بررسی چگونگی تغییر پوشش خبری در طول زمان. این بخش شامل رصد تحولات در تمرکز بر علائم خاص، اثربخشی داروها، یا میزان پوشش عوارض جانبی واکسن‌ها در دوره‌های مختلف همه‌گیری است. همچنین، تجزیه و تحلیل برای کشف هرگونه سوگیری (Bias) در نحوه گزارش‌دهی، مانند تمرکز بیش از حد بر جنبه‌های خاص یا نادیده گرفتن دیگر جنبه‌ها.
6. تحلیل عوارض جانبی داروها: تمرکز ویژه بر استخراج اطلاعات مربوط به عوارض جانبی داروها و واکسن‌ها و ارتباط دادن آن‌ها با تولیدکنندگان مربوطه. این بخش برای درک تأثیر گزارش‌های رسانه‌ای بر تصور عمومی از ایمنی داروها و واکسن‌ها بسیار حیاتی است.

این روش‌شناسی، با ترکیب قدرت پردازش داده‌های حجیم با دقت مدل‌های تخصصی پزشکی، امکان تحلیل عمیق و معنی‌دار را فراهم می‌آورد.

یافته‌های کلیدی

این تحقیق به یافته‌های قابل توجهی دست یافته است که درک ما را از نحوه روایت کووید-۱۹ در رسانه‌ها عمیق‌تر می‌کند:

• شناسایی الگوهای پوششی: تحلیل‌ها نشان دادند که برخی علائم، داروها و گروه‌های جمعیتی در رسانه‌های مورد بررسی، بیش از سایرین مورد توجه قرار گرفته‌اند. برای مثال، در مقاطع خاصی از همه‌گیری، تمرکز رسانه‌ها بر علائم تنفسی یا نگرانی‌ها پیرامون گروه‌های آسیب‌پذیر (مانند سالمندان) افزایش یافته است.
• رصد تغییرات در طول زمان: مشاهده شد که با پیشرفت همه‌گیری و ورود واکسن‌ها، تمرکز پوشش خبری از علائم بیماری و مرگ‌ومیر به سمت بحث درباره اثربخشی واکسن‌ها، عوارض جانبی احتمالی و برنامه‌های واکسیناسیون تغییر کرده است. این نشان‌دهنده پویایی رسانه‌ها در تطبیق با تحولات بحران است.
• کشف سوگیری‌های احتمالی: با مقایسه نحوه پوشش جنبه‌های مختلف (مانند مزایا در مقابل معایب واکسن‌ها، یا گزارش‌های مثبت در مقابل منفی از درمان‌ها)، می‌توان به ظرافت‌های سوگیری در روایت رسانه‌ای پی برد. این یافته‌ها می‌توانند به منتقدان رسانه و مخاطبان کمک کنند تا اخبار را با دیدی نقادانه‌تر بررسی کنند.
• ارتباط بین پوشش رسانه‌ای و گروه‌های خاص: یکی از دستاوردهای مهم، شناسایی همبستگی بین بحث‌های پزشکی و گروه‌های جمعیتی یا شغلی خاص است. برای مثال، پوشش اخبار مربوط به کادر درمان، یا تأکید بر آسیب‌پذیری افراد مسن، در مقالات خبری به طور مکرر دیده شده است.
• تأثیر گزارش عوارض جانبی بر تردید واکسن: بخش قابل توجهی از تحقیق به بررسی گزارش‌های عوارض جانبی داروها و واکسن‌ها اختصاص یافته است. یافته‌ها نشان می‌دهند که پوشش گسترده و گاهی پررنگ این عوارض توسط رسانه‌های بزرگ، می‌تواند به طور مستقیم بر نگرش عمومی نسبت به ایمنی واکسن‌ها تأثیر گذاشته و به پدیده “تردید واکسن” دامن بزند. شناسایی اینکه کدام تولیدکنندگان و کدام واکسن‌ها بیشتر در کانون این بحث‌ها قرار گرفته‌اند، ابعاد مهمی به این یافته می‌بخشد.

این یافته‌ها، تصویری جامع و مبتنی بر داده از چگونگی پردازش و بازنمایی اطلاعات پیچیده پزشکی در فضای رسانه‌ای به دست می‌دهند.

کاربردها و دستاوردها

این پژوهش صرفاً یک مطالعه آکادمیک نیست، بلکه دارای کاربردهای عملی و دستاوردهای ارزشمندی است که می‌تواند در چندین حوزه مورد استفاده قرار گیرد:

• سلامت عمومی و ارتباطات بهداشتی: یافته‌های این تحقیق به متخصصان سلامت عمومی و ارتباطات بهداشتی کمک می‌کند تا درک بهتری از چگونگی دریافت پیام‌های بهداشتی توسط جامعه از طریق رسانه‌ها داشته باشند. این دانش می‌تواند در طراحی کمپین‌های اطلاع‌رسانی مؤثرتر، به‌ویژه در زمان بحران‌های مشابه، به کار رود.
• تحلیل رسانه و سوگیری: پژوهشگران رسانه و مطالعات ارتباطات می‌توانند از روش‌شناسی و یافته‌های این مقاله برای تحلیل پوشش خبری سایر موضوعات پیچیده، به‌ویژه در حوزه سلامت، بهره ببرند. شناسایی سوگیری‌ها امری حیاتی برای ارتقاء دقت و بی‌طرفی رسانه‌ای است.
• سیاست‌گذاری در حوزه بهداشت و درمان: درک نحوه تأثیر پوشش خبری بر افکار عمومی، به ویژه در موضوعاتی مانند واکسیناسیون، می‌تواند به سیاست‌گذاران در اتخاذ تصمیمات آگاهانه‌تر و تدوین استراتژی‌های مؤثرتر برای مقابله با چالش‌های بهداشتی کمک کند.
• توسعه ابزارهای NLP پزشکی: این مطالعه نشان‌دهنده قدرت و کارایی مدل‌های پیشرفته NLP در تحلیل متون پزشکی و استخراج اطلاعات ارزشمند است. این امر می‌تواند انگیزه‌ای برای توسعه و بهبود بیشتر این ابزارها باشد تا بتوانند در مقیاس بزرگ‌تر و با دقت بالاتر به کار گرفته شوند.
• مقابله با اطلاعات نادرست (Misinformation): با شناسایی الگوهای گزارش‌دهی و پتانسیل ایجاد سوگیری یا انتشار اطلاعات غلط، می‌توان ابزارهای هوشمندانه‌تری برای شناسایی و مقابله با اطلاعات نادرست در حوزه سلامت طراحی کرد.
• روانشناسی اجتماعی و رفتار مصرف‌کننده (سلامت): تحلیل نحوه تأثیر گزارش‌های رسانه‌ای بر تردید واکسن، دریچه‌ای به سوی درک بهتر عوامل مؤثر بر رفتار فردی در حوزه سلامت می‌گشاید. این امر برای طراحی مداخلات رفتاری و روانشناختی بسیار مهم است.

در مجموع، این تحقیق دستاوردی چندوجهی است که دانش ما را در زمینه ارتباطات سلامت، تحلیل رسانه و کاربرد هوش مصنوعی در مسائل اجتماعی افزایش می‌دهد.

نتیجه‌گیری

مقاله “درک پوشش خبری کووید-۱۹ با استفاده از پردازش زبان طبیعی پزشکی” با موفقیت نشان می‌دهد که چگونه ابزارهای پیشرفته پردازش زبان طبیعی، به‌ویژه مدل‌های تخصصی حوزه پزشکی، می‌توانند به ما در تحلیل عمیق و جامع حجم عظیمی از اطلاعات رسانه‌ای کمک کنند. استفاده از کتابخانه Spark NLP for Healthcare امکان استخراج دقیق مفاهیم کلیدی، شناسایی الگوهای پوششی، رصد تحولات در طول زمان و کشف ظرافت‌های سوگیری در گزارش‌دهی را فراهم آورده است.

یافته‌های این پژوهش، به‌ویژه در مورد تأثیر گزارش‌های رسانه‌ای بر پدیده‌هایی چون “تردید واکسن”، ابعاد مهمی به درک ما از ارتباط پیچیده بین رسانه، سلامت عمومی و رفتار فردی اضافه می‌کند. این تحقیق نه تنها به جامعه علمی کمک می‌کند تا دریچه‌ای نو به تحلیل محتوای رسانه‌ای بگشایند، بلکه برای متخصصان سلامت، سیاست‌گذاران، و عموم مردم که در معرض جریان بی‌پایان اطلاعات قرار دارند، حاوی پیام‌های ارزشمندی است.

این مقاله گامی مهم در جهت استفاده از هوش مصنوعی برای فهم بهتر چالش‌های اجتماعی و بهداشتی است و زمینه را برای تحقیقات آینده در زمینه تحلیل‌های عمیق‌تر و کاربردی‌تر در حوزه سلامت و رسانه هموار می‌سازد. با توجه به ماهیت دائماً در حال تغییر اطلاعات و ظهور بحران‌های بهداشتی جدید، استفاده از این رویکردهای تحلیلی، بیش از پیش ضروری خواهد بود.