در دنیای امروز، شبکه‌های اجتماعی به عنوان یک منبع اصلی برای به اشتراک گذاشتن و دریافت اطلاعات، نظرات و احساسات افراد در مورد موضوعات مختلف، از جمله مسائل مربوط به سلامت، عمل می‌کنند. همه‌گیری کووید-۱۹ و توسعه و توزیع واکسن‌های مرتبط با آن، موضوعی است که به طور گسترده در شبکه‌های اجتماعی، به ویژه توییتر، مورد بحث و تبادل نظر قرار گرفته است. در این راستا، تحلیل احساسات (Sentiment Analysis) کاربران در مورد واکسن‌های کووید-۱۹ در توییتر، می‌تواند اطلاعات ارزشمندی را در اختیار محققان، سیاست‌گذاران و شرکت‌های داروسازی قرار دهد.

مقاله حاضر با عنوان “تحلیل احساسات واکسن‌های کووید در توییتر” به بررسی و تحلیل نظرات و احساسات کاربران توییتر در مورد واکسن‌های کووید-۱۹ می‌پردازد. اهمیت این مقاله در این است که با استفاده از تکنیک‌های پردازش زبان طبیعی (NLP) و یادگیری ماشین (Machine Learning)، می‌تواند به طور خودکار حجم عظیمی از داده‌های تولید شده در توییتر را تحلیل کرده و دیدگاه‌های مثبت، منفی و خنثی کاربران را در مورد واکسن‌ها شناسایی کند. این اطلاعات می‌تواند به درک بهتر نگرش عمومی نسبت به واکسن‌ها، شناسایی نگرانی‌ها و تردیدهای موجود، و در نهایت، اتخاذ تصمیمات آگاهانه‌تر در زمینه سیاست‌گذاری و اطلاع‌رسانی در مورد واکسیناسیون کمک کند.

تصور کنید که وزارت بهداشت در تلاش برای افزایش میزان واکسیناسیون در جامعه است. با استفاده از تحلیل احساسات توییتر، می‌توانند متوجه شوند که چه نگرانی‌هایی در مورد واکسن‌ها وجود دارد (مثلاً ترس از عوارض جانبی، تردید در مورد اثربخشی) و سپس استراتژی‌های اطلاع‌رسانی خود را به گونه‌ای تنظیم کنند که به این نگرانی‌ها پاسخ دهند.

این مقاله توسط ونبو ژو و تیه‌چوان هو نوشته شده است. زمینه تحقیقاتی این نویسندگان شامل حوزه‌هایی مانند محاسبات و زبان، بازیابی اطلاعات، یادگیری ماشین و شبکه‌های اجتماعی و اطلاعاتی است. تخصص آن‌ها در این حوزه‌ها، آن‌ها را قادر ساخته است تا با استفاده از روش‌های پیشرفته، به تحلیل داده‌های متنی در شبکه‌های اجتماعی پرداخته و اطلاعات مفیدی را استخراج کنند.

چکیده مقاله به این صورت است: “این مقاله به بررسی یک پایگاه داده از توییت‌ها می‌پردازد که بر اساس کلمات کلیدی مختلفی که می‌توانند نشان‌دهنده احساسات کاربران نسبت به واکسن‌های کووید باشند، مرتب شده‌اند. با توجه به اینکه رسانه‌های اجتماعی به یک منبع غالب برای بیان نظرات تبدیل شده‌اند، مرتب‌سازی و رتبه‌بندی توییت‌هایی که حاوی اطلاعات مهمی مانند نظرات در مورد واکسن‌های کووید هستند، از اهمیت بالایی برخوردار است. دو مقیاس رتبه‌بندی مختلف مورد استفاده قرار گرفت و رتبه‌بندی یک توییت به این روش می‌تواند نشان‌دهنده تفاوت بین گم شدن یک نظر و نمایش آن در سایت باشد که بر تصمیمات و رفتار افراد تأثیر می‌گذارد و به همین دلیل محققان به آن علاقه مند بودند. هدف ما با استفاده از تکنیک‌های پردازش زبان طبیعی، تعیین و دسته‌بندی نظرات در مورد واکسن‌های کووید با بالاترین دقت ممکن است.”

به طور خلاصه، مقاله به دنبال این است که با استفاده از تحلیل احساسات، مشخص کند که کاربران توییتر چه نظراتی در مورد واکسن‌های کووید-۱۹ دارند و این نظرات را به دسته‌های مختلف (مثبت، منفی، خنثی) تقسیم کند. این تحلیل می‌تواند به درک بهتر نگرش عمومی نسبت به واکسن‌ها و شناسایی عوامل مؤثر بر این نگرش کمک کند.

روش‌شناسی تحقیق در این مقاله شامل مراحل زیر است:

• جمع‌آوری داده‌ها: جمع‌آوری توییت‌های مرتبط با واکسن‌های کووید-۱۹ از طریق API توییتر با استفاده از کلمات کلیدی مرتبط (مانند “واکسن کووید”، “فایزر”، “آسترازنکا”).
• پیش‌پردازش داده‌ها: پاکسازی و آماده‌سازی داده‌ها برای تحلیل، شامل حذف کاراکترهای اضافی، تبدیل حروف به حروف کوچک، حذف کلمات توقف (مانند “و”، “به”، “از”) و ریشه‌یابی کلمات.
• استخراج ویژگی‌ها: استخراج ویژگی‌های مرتبط از متن توییت‌ها، مانند کلمات کلیدی، عبارات، نشانه‌های احساسی (مانند ایموجی‌ها) و اطلاعات مربوط به نویسنده توییت (مانند تعداد دنبال‌کنندگان).
• مدل‌سازی احساسات: استفاده از الگوریتم‌های یادگیری ماشین (مانند طبقه‌بندی‌کننده‌های بیزی ساده، ماشین‌های بردار پشتیبان، شبکه‌های عصبی) برای آموزش یک مدل که بتواند احساسات موجود در توییت‌ها را تشخیص دهد.
• ارزیابی مدل: ارزیابی عملکرد مدل با استفاده از معیارهای مختلف، مانند دقت، بازیابی و امتیاز F1.

به عنوان مثال، در مرحله پیش‌پردازش، ممکن است توییت “من واقعاً از عوارض جانبی واکسن می ترسم 😢” به “عوارض جانبی واکسن ترسیدن” تبدیل شود تا برای تحلیل آسان‌تر گردد. سپس، مدل یادگیری ماشین با استفاده از این داده‌های پیش‌پردازش‌شده، آموزش داده می‌شود تا بتواند احساسات مشابه را در توییت‌های دیگر تشخیص دهد.

یافته‌های کلیدی مقاله به احتمال زیاد شامل موارد زیر است:

• توزیع احساسات در مورد واکسن‌های کووید-۱۹: چه نسبتی از توییت‌ها مثبت، منفی یا خنثی هستند؟
• عوامل مؤثر بر احساسات: چه عواملی (مانند نوع واکسن، منبع اطلاعات، ویژگی‌های جمعیت‌شناختی) بر احساسات کاربران تأثیر می‌گذارند؟
• موضوعات اصلی مورد بحث: کاربران در مورد چه موضوعاتی در رابطه با واکسن‌ها صحبت می‌کنند (مثلاً اثربخشی، ایمنی، دسترسی)؟
• تغییرات زمانی در احساسات: آیا احساسات کاربران در طول زمان تغییر کرده است؟ اگر بله، چه عواملی باعث این تغییرات شده‌اند؟

به عنوان مثال، ممکن است یافته‌ها نشان دهد که در ابتدای واکسیناسیون، احساسات مثبت غالب بوده است، اما با انتشار گزارش‌هایی در مورد عوارض جانبی نادر، احساسات منفی افزایش یافته است. همچنین، ممکن است مشخص شود که کاربران مسن‌تر نسبت به کاربران جوان‌تر، نگرش مثبت‌تری نسبت به واکسن‌ها دارند.

نتایج این تحقیق می‌تواند کاربردهای متنوعی داشته باشد:

• بهبود استراتژی‌های اطلاع‌رسانی: با درک نگرانی‌ها و تردیدهای موجود در مورد واکسن‌ها، می‌توان استراتژی‌های اطلاع‌رسانی را به گونه‌ای تنظیم کرد که به این نگرانی‌ها پاسخ داده و اعتماد عمومی را افزایش دهد.
• ارزیابی اثربخشی سیاست‌های واکسیناسیون: با بررسی تغییرات زمانی در احساسات کاربران، می‌توان اثربخشی سیاست‌های واکسیناسیون را ارزیابی کرد و در صورت نیاز، آن‌ها را اصلاح نمود.
• شناسایی اطلاعات نادرست: با تحلیل محتوای توییت‌های منفی، می‌توان اطلاعات نادرست و شایعاتی که در مورد واکسن‌ها منتشر می‌شوند را شناسایی کرده و با آن‌ها مقابله کرد.
• ارتقای سلامت عمومی: در نهایت، هدف اصلی این تحقیق ارتقای سلامت عمومی از طریق افزایش اعتماد به واکسن‌ها و تشویق افراد به واکسیناسیون است.

مقاله “تحلیل احساسات واکسن‌های کووید در توییتر” با استفاده از تکنیک‌های پردازش زبان طبیعی و یادگیری ماشین، به بررسی و تحلیل نظرات و احساسات کاربران توییتر در مورد واکسن‌های کووید-۱۹ می‌پردازد. یافته‌های این تحقیق می‌تواند اطلاعات ارزشمندی را در اختیار محققان، سیاست‌گذاران و شرکت‌های داروسازی قرار داده و به بهبود استراتژی‌های اطلاع‌رسانی، ارزیابی اثربخشی سیاست‌های واکسیناسیون، شناسایی اطلاعات نادرست و ارتقای سلامت عمومی کمک کند. در دنیای امروز که شبکه‌های اجتماعی نقش مهمی در شکل‌گیری افکار عمومی ایفا می‌کنند، این نوع تحقیقات از اهمیت ویژه‌ای برخوردار هستند و می‌توانند به اتخاذ تصمیمات آگاهانه‌تر در زمینه مسائل مربوط به سلامت کمک کنند.