Un grupo do Centro Singular de Investigación en Tecnoloxías Intelixentes (CiTIUS) da Universidade de Santiago (USC) desenvolveu unha plataforma Big Data que, entre as súas funcións, analiza a tempo real os contidos publicados en redes sociais para avaliar o grao de credibilidade das publicacións que se difunden sobre a covid. Para que isto sexa posible, empréganse tecnoloxías capaces de procesar a cantidade inxente de datos que son difundidos a diario por millóns de usuarios na rede. Ademais, tamén utiliza modelos baseados en intelixencia artificial e tecnoloxías da linguaxe para facer predicións sobre a credibilidade dos textos publicados.
O grupo de investigación ideou Social Minder fai catro anos, como unha ferramenta xenérica á que se lle puidesen dar múltiples e potenciais usos. “Está desenvolvida nun sentido modular, de forma que ao longo dos últimos anos fomos adaptándoa aos distintos proxectos de investigación nos que participamos”, explica David E. Losada Carril, profesor da Universidade de Santiago e un dos membros principais do proxecto xunto a Marcos Fernández e Juan Carlos Pichel. Entre as súas funcións, destaca a análise e monitorización de contidos, fundamentalmente, nos medios sociais, para dar resposta a unha tendencia ou para estimar a credibilidade da información difundida na rede.
“É moi importante detectar bulos nas redes sociais, xa que moitas persoas recorren a elas para informarse sobre saúde”
DAVID LOSADA, investigador do CiTIUS
“É moi importante o feito de detectar bulos nas redes sociais xa que moitas persoas recorren a este tipo de contidos para informarse sobre temas relacionados coa saúde”, alega o investigador. Nos últimos anos, o grupo do CiTIUS utilizou esta ferramenta para estimar a calidade dos enlaces e recomendacións sobre saúde que aparecían en Twitter. Ademais, en 2020 participaron con éxito nunha competición internacional orientada especialmente a tratar o tipo de desinformación difundida na rede en relación coa covid. “É un reto baseado na avaliación de algoritmos que detectan se unha páxina está difundindo este tipo de información falseada”.
Porén, esta función de rastrexo de bulos permanece en fase de mellora. “É difícil que sexa eficiente porque estas ferramentas de intelixencia artificial baséanse en adestramentos previos a través da análise de contidos xa existentes na rede. Pero neste caso, ao ser unha temática tan recente, como foi en 2020 a covid, no que non existe historial previo de información, é máis complexo que en xeneral analicen os contidos difundido”, comenta o investigador. Ademais dende o punto de vista da prevención da saúde, o grupo investigador tamén ideou esta ferramenta como unha forma observar as preocupacións psicolóxicas das persoas segundo os contidos que publican nas redes sociais.
Rastrexo de contidos
O proxecto naceu do desafío de desenvolver tecnoloxías Big Data capaces de procesar o gran volume de información que circula a diario pola rede. “Cando comezamos a traballar en Twitter, tivemos que ter en conta que hoxe en día nun só minuto prodúcense máis de medio millón de tweets. Entón, é necesario, para monitorizar ese gran dinamismo de contidos, botar man destas ferramentas e tecnoloxías que sexan capaces de tratar con esta fonte dinámica de información”, explica o membro do equipo investigador.
“Comezamos desenvolvendo cousas máis ou menos sinxelas como buscas semánticas ou tecnoloxía de recuperación da información, para filtrar os contidos en función de determinado perfil que lle poida interesar ao usuario”, indica. A partir de aí foron engadindo distintas posibilidades ou módulos, como os analizadores de sentimento para poder estimar a evolución temporal das opinións das persoas mediante as súas interacións en redes sociais.
Por outro lado, Social Minder conta con tecnoloxía lingüística avanzada, por exemplo, mediante o uso de modelos E-learning. Con este tipo de estratexias, os grupo do CiTIUS pode extraer tendencias temporais. “Por exemplo, puidemos ver a evolución dunha determinada preocupación para un determinado segmento da poboación”, expón. “Ademais de tecnoloxías Big Data, usa rastrexadores deseñados especialmente para esas fontes, sendo así capaces de acceder a datos masivos que por outras vías sería imposible”, engade.
“Temos nas nosas mans unha tecnoloxía capaz de detectar os primeiros sinais dun trastorno depresivo”
O equipo estivo traballando durante os últimos catro anos nun proxecto denominado eRisk, relacionado coa detección temperá de sinais relacionadas con diferentes trastornos psicolóxicos. “Temos nas nosas mans unha tecnoloxía que é capaz de adiantarse aos problemas da nosa sociedade, detectando os primeiros sinais, por exemplo, de que alguén estea desenvolvendo un trastorno depresivo. Na práctica, isto podería poñer en marcha estratexias preventivas para por a esa persoa en contacto con profesionais”, asegura Losada. O gran volume de interaccións e publicacións en Internet permite realizar así análises masivos de trazos psicolóxicos relacionados cos trastornos mentais.
A linguaxe, poderoso indicador
A linguaxe é un poderoso indicador dos trazos de personalidade, das emocións e, neste contexto, proporciona pistas sobre a saúde mental da sociedade. Desta forma dende o CiTIUS estudaron as formas na que as persoas usan a linguaxe para revelar sinais temperás de trastornos psicolóxicos e comprender mellor a evolución dun individuo dende etapas temperás ata fases posteriores e máis severas. “Neste momento estamos traballando máis na mellora da comprensión destes procesos, da man de varios psicólogos para ter o seu punto de vista e axudarlles tamén a eles, coa nosa tecnoloxía, a coñecer mellor o panorama social actual”, explica o membro do proxecto.
“Tamén podería usarse esta tecnoloxía coa fin de analizar segmentos concretos da sociedade, como persoas xoves, universitarios e de Galicia, para ver se está aumentando entre eles os trastornos ansiosos”, expón Losada. Mediante a estimación automática que poida facer esta ferramenta, poderíase comprobar se hai un problema xeneralizado neste ámbito para por en marcha as estratexias preventivas pertinentes.
