• четверг, 28 Марта, 15:35
  • Baku Баку 16°C

Вспышки эпидемий научились предсказывать по записям в Twitter

12 декабря 2017 | 17:21
Вспышки эпидемий научились предсказывать по записям в Twitter
По изменениям количества твитов, в которых население поддерживает вакцинацию, или выступает против, можно предсказать наступление переломной точки, в которой количество людей, отказавшихся привиться становится так велико, что это приводит к вспышке эпидемии. Такие выводы сделали ученые из университетов Канады, США и Швейцарии в своей работе, опубликованной в журнале Proceedings of the National Academy of Sciences.
Ученые разрабатывают сложные математические модели для подобных динамических систем, чтобы предсказывать коллапсы. Также ученые разрабатывают индикаторы, которые позволяют как можно раньше судить о приближении к критической точке. Крис Баух (Chris Bauch) 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. О критическом замедлении авторы судили по изменениям индикаторов дисперсии, автокорреляции и коэффициента вариации: все три должны продемонстрировать значительный рост перед эпидемией, и спад после. Автокорреляционную функцию используют для идентификации циклов в поведении динамических систем, и она удобна для выявления критического замедления.
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.
Среди всех американских твитов 660 477 оказались против вакцинации, 883 570 — за, и еще 483 636 твитов попало в категорию «другие». Среди калифорнийских твитов против вакцинации оказалось 101 683, за — 112 741, 59 030 попало в категорию «другие». Ученые обнаружили, что вариация, коэффициент вариации и функция автокорреляции для негативных твитов значительно выросли 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: росли вариация и коэффициент вариации, но автокорреляция не менялась на протяжении этих лет, а после эпидемии ее значение резко падало, но быстро возвращалось на прежний уровень. Самые надежные тенденции демонстрировал показатель вариации, самыми ненадежными оказались тенденции показателя автокорреляции. Объем поисковых запросов в Google о вакцине от кори увеличился за несколько лет до вспышки эпидемии, как и общее число твитов на тему вакцинации.
Авторы считают, что полученные результаты подтверждают их гипотезу о важности динамики общественного мнения вблизи порога устранения болезни, и обращают внимание на то, как быстро индикаторы возвращаются к норме, когда число заболевших достигает высокой отметки.
Nplus1.ru
banner

Советуем почитать