Вспышки эпидемий предложили определять по твитам

Международная группа ученых из США, Канады и Швейцарии не пожалела сил и времени, чтобы проанализировать миллионы твитов, в которых население высказывается за или против вакцинации.

 

Эпидемии болезней можно сдержать при помощи массовой вакцинации. Только в этом случае массы не должны возражать против прививок. Отказ от вакцинации замедляет процесс искоренения болезни и может привести к новым вспышкам. Так, например, вспышке кори в период с 2014 по 2015 год в Диснейленде предшествовало снижение охвата вакцинацией против кори, краснухи и свинки (MMR vaccine) в штате Калифорния в период с 2010 по 2014 год. 


Ученые разрабатывают сложные математические модели для подобных динамических систем, чтобы предсказывать коллапсы. Также разрабатываются индикаторы, которые позволяют как можно раньше судить о приближении к критической точке. 


Крис Баух из департамента прикладной математики Университета Ватерлоо вместе с коллегами из Канады, США и Швейцарии решили испытать существующие модели и ранние предупреждающие индикаторы на примере эпидемии кори в Диснейленде, а в качестве индикатора настроений вокруг вакцинации использовать данные социальных сетей и запросов в Google. 


Они выбрали модель динамики болезней и поведения людей, в которую входят показатели динамики болезни (индексы рождаемости и смертности, число больных и восприимчивых к болезни), социальных норм (является ли вакцинация нормой, и насколько социальные нормы вообще сильны в данном обществе) и воспринимаемых рисков (как от болезни, так и риски от принятия вакцины).


Также они использовали теорию критического замедления (critical slowing down), согласно которой в случаях, когда система близка к критической точке опрокидывания, скорость ее восстановления должна уменьшаться.


Индикатором настроений населения стали запросы в Google и посты в Twitter с геотегами США и, в частности, Калифорнии. Все твиты c 2011 по 2016 год разделили на три категории по их содержанию: «за вакцинацию», «против вакцинации» и «другие», в которых настроения автора не поддавались классификации «за» или «против». Данные разбили на недельные промежутки, для позитивных и негативных твитов рассчитали значения индикаторов, которые затем сравнили с предсказаниями модели. 


Данные Google Trends не раскрывают настроений населения, но, поскольку спорные темы провоцируют увеличение поисковых запросов, эти данные могут отражать несогласие в обществе по поводу вакцинации, передает N+1.


Среди всех американских твитов 660 477 оказались против вакцинации, 883 570 — за и еще 483 636 твитов попали в категорию «другие». Среди калифорнийских твитов против вакцинации оказалось 101 683, за — 112 741, 59 030 попало в категорию «другие». 


Ученые обнаружили, что доля негативных твитов значительно выросла до эпидемии, причем рост начался за несколько лет до ее возникновения, а после вспышки кори все три показателя резко пошли на спад. Похожие изменения произошли и в позитивных твитах. 

 

Результаты подтверждают целесообразность использования данных социальных сетей для получения предсказаний, однако авторы признают, что эта информация является косвенным показателем настроений всего населения и нуждается в разработке более точных моделей.

1
Читайте также
Загрузка...