توییتر می تواند آشکار رفاه کل جامعه

رسانه های اجتماعی می تواند آشکار روانی متحده از کل جمعیت با توجه به تحقیقات جدید.

نتایج نشان می دهد که از طریق دستگاه-آموزش—آموزش کامپیوتر برای شناسایی و تجزیه و تحلیل الگوهای موجود در داده های بسیاری—محققان می بینید در اصل, چگونه یک جامعه در حال انجام در زمان واقعی است.

“این روش واقعا نشان می دهد که چگونه به انجام روانی اندازه گیری در قرن 21 در دنیای دیجیتال ما می گوید:” یوهانس Eichstaedt استادیار روانشناسی در دانشگاه استنفورد و دانشکده های همکار در موسسه انسان محور هوش مصنوعی است.

در دهه گذشته Eichstaedt را آزمایش کرده است که چگونه به استفاده از رسانه های اجتماعی از جمله توییتر به عنوان یک راه برای اندازه گیری رفاه یک جامعه است. وی معتقد است که رسانه های اجتماعی را فراهم می کند بزرگترین مجموعه داده ها بر روی رفتار و احساسات و افکار در تاریخ بشر است.

در حالی که محققان اذعان دارند در این مقاله که توییتر است نه نماینده ما مردم آن را هنوز هم می تواند ارائه بینش مردم چگونه تجربه خود را از زندگی روزمره است.

“آنچه ما واقعا در مورد مراقبت است که چگونه به خوبی این جمعیت انجام شده است از نظر روانی و سلامت جسمی و نه صرفا که تولید ناخالص داخلی در حال رشد است می گوید:” Eichstaedt.

“شما ممکن است در مورد اندازه گیری بهزيستی ذهنی در خود و برای خود اما بهزيستی ذهنی اثرات مرگ و میر از جمله بیماری های قلبی. همچنین اثرات اقتصادی پایین خط. بنابراین آن را کاملا یک متغیر مهم برای گرفتن یک جمعیت است.”

از نظرسنجی ها به رسانه های اجتماعی

به منظور بررسی راه های مختلف برای تجزیه و تحلیل یک منطقه خوب بودن Eichstaedt و یک تیم از محققان در مقایسه با بیش از یک میلیارد و geo-tagging توییتهایی از سال 2009 تا 2015 به 1.7 میلیون پاسخ از گالوپ-lee-roy wright خوب بودن شاخص در عمق بررسی است که اقدامات چگونه مردم تجربه زندگی روزمره است.

محققان به مدت طولانی با تکیه بر نظرسنجی مانند گالوپ برای اندازه گیری جمعیت را به خوبی بودن. در حالی که دقیق آنها می توان پر هزینه و وقت گیر تعهدات. گاهی اوقات آن را طول می کشد سال به جمع آوری اطلاعات کافی برای جامعه برآورد می گوید Eichstaedt.

اما افزایش این روند با اطلاعات محور تکنیک می تواند به کاهش برخی از این بار. Eichstaedt یافت که هنگامی که محققان قطار یک الگوریتم با هر دو کاربران’ پاسخ به یک نوشته خوب بودن بررسی و یک نمونه از پست ها از رسانه های اجتماعی از همان پاسخ دهندگان آنها می توانند سپس استقرار آن را در یک مقیاس بسیار بزرگتر به پیش بینی مردم از کل منطقه خواهد پاسخ داده اند در یک سنتی بررسی بر اساس تنها در توییت های خود را.

زبان کلیدی است

قبل از آنها با استفاده از روشهای یادگیری ماشین محققان یا برداشت کلمات و یا خواسته raters به حاشیه نویسی کلمات برای چگونه “مثبت” هستند. می توان آن را بسیار روی حیله و تزویر, اما, انتخاب کلمات است که اندازه گیری رفاه می گوید Eichstaedt.

برای مثال محققان دریافتند که اینترنت زبان عامیانه مانند “LOL”—محبوب مخفف “خنده با صدای بلند”و کلمات “خوب” و “عشق” اغلب مورد استفاده در مناطق با درآمد پایین تر و آموزش و پرورش (و به طور کلی پایین تر بودن). بنابراین حتی اگر این ممکن است به نظر می رسد مانند کلمات مثبت آنها ممکن Eichstaedt می گوید.

به طور مشابه Eichstaedt یافت که کلماتی مانند “مشق شب” و “مالیات” ممکن است به نظر می رسد منفی خارج از چارچوب اما محققان دریافتند که افراد با تحصیلات عالی و درآمد—یک گروه که دیگر مطالعات نشان داده اند به طور معمول بالاتر رفاه-با استفاده از این کلمات بیشتر.

“هنگام چیدن کلمات برای اندازه گیری رفاه آن را واقعا مهم است توجه به تفاوت های فرهنگی در استفاده از زبان در سراسر ایالات متحده می گوید:” Eichstaedt.

اما روشهای یادگیری ماشین می تواند کمک به تعیین که کلمات مهم تر از دیگران است. زمانی که این الگوریتم در مقایسه با یک فرد رسانه های اجتماعی پست های خود را در برابر پاسخ های نظر سنجی را آموخته است که کلماتی مانند “LOL” قابل اعتماد نیستند شاخص های خوب بودن و به جای استفاده از کلمات مانند “سرگرم کننده” و “هیجان زده است.”

“داشتن کامپیوتر یادگیری کلمات ممکن است بهترین راه برای پیدا کردن کلمات است که اندازه گیری رفاه” Eichstaedt می گوید. “تفاوت در استفاده از زبان می تواند بسیار پیچیده است.”

بهداشت و رفاه

محققان توجه داشته باشید که رفاه نیز همکاران با عوامل مهم دیگر از جمله سلامت کلی. برای مثال استرس می تواند انگیزه مردم برای رفتارهای ناسالم مانند نوشیدن بیش از حد و یا سیگار کشیدن—که به نوبه خود تاثیر منفی خود را در سلامت او می گوید.

“هنگامی که افراد مبتلا به افسردگی و اضطراب ما نیاز به می دانم به طوری که ما می تواند اطمینان حاصل شود آنها را به منابع آنها نیاز می گوید:” Eichstaedt که در حال حاضر استفاده از این روش برای مطالعه تاثیر این رمان coronavirus بیماری همه گیر در جمعیت از شهرستانها در سراسر ایالات متحده.

“COVID-19 یک فاجعه طبیعی است که قطع ما هنجارهای اجتماعی و روزمره در یک مقیاس بی سابقه,” Eichstaedt می گوید. “با این زمان واقعی توییتر مبتنی بر تکنولوژی روانشناسان می توانید مانیتور اگر تنهایی و اضطراب هستند نگه گرفتن در جوامع و چگونه ما خوب بودن نهفته اجتماعی فاصله.

“وجود دارد هیچ منبع داده های دیگر است که می تواند چنین اندازه گیری در جمعیت مقیاس و را تخمین می زند تا به سرعت. در حال حاضر بیش از همیشه با استفاده از قوی روشهای یادگیری ماشین است که بسیار مهم است.”

این تحقیق به نظر می رسد در مجموعه مقالات آکادمی ملی علوم.

نویسندگان در این مقاله عبارتند از Kokil Jaidka وابسته به دانشگاه ملی سنگاپور, Salvatore Giorgi و لایل H. Ungar وابسته به دانشگاه پنسیلوانیا, H. اندرو شوارتز از دانشگاه استونی بروک و مارگارت L. کرن از دانشگاه ملبورن است. برای حمایت از این پژوهش ارائه شده توسط Nanyang ریاست جمهوری دوره فوق دکترا جایزه Adobe تحقیقات جایزه رابرت وود جانسون بنیاد جایزه پیشگام و دین تمپلتون اعتماد بدهد.

منبع: دانشگاه استنفورد

tinyurlis.gdu.nuclck.ruulvis.netshrtco.de

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>