ИИ по соцсетям научили предсказывать вспышки инфекций задолго до начала

Анастасия Максименко Редактор ленты новостей
Ученые разработали метод раннего прогнозировани...

freepik.com

Исследователи Университета Ватерлоо (Канада) разработали метод раннего прогнозирования вспышек инфекционных заболеваний на основе анализа настроений в социальных сетях. Для этого они применили технологии глубокого обучения и предлагают использовать такие системы как элемент раннего оповещения в сфере общественного здоровья.

Авторы работы указывают, что традиционный мониторинг отношения к вакцинации основан на официальных опросах, которые проводятся раз в год или два и не успевают фиксировать быстрые изменения в общественных настроениях. Социальные сети, напротив, дают почти мгновенную картину текущих дискуссий и опасений, в том числе связанных с прививками.

В исследовании использовали две нейросетевые модели — LSTM и ResNet. Их сначала обучали не на реальных, а на смоделированных данных. Математическая модель, учитывающая связь между распространением болезни и поведением людей в соцсетях, генерировала множество сценариев. В неё заложили два класса населения — активных пользователей соцсетей и остальных, а также использовали «шум Леви», который описывает редкие, но сильные всплески активности в интернете, например вирусные публикации.

На этом материале нейросети учились выделять едва заметные изменения в потоке сообщений, предшествующие так называемому критическому переходу — моменту, когда уровень вакцинации падает до порога, при котором крупная вспышка заболевания становится вероятной. Затем модели протестировали на реальных данных: собрали англоязычные посты с упоминанием кори за несколько лет до крупных вспышек в Северной Америке, включая эпизод в Диснейленде в 2014–2015 годах.

Результаты показали, что на теоретических данных глубокое обучение существенно превосходит традиционные статистические индикаторы. На реальных твитах модели смогли заранее указать на повышающийся риск перед тремя из четырёх изученных вспышек. При этом LSTM давала сигнал раньше, а ResNet лучше фильтровала случайные всплески обсуждений. Для стран с обязательной вакцинацией, где значимых вспышек не было, алгоритмы стабильно показывали низкую вероятность кризиса, сообщает new-science.ru.

Читайте также:

Источник: samaraonline24.ru

Читайте в Дзен