Optimismo e pesimismo: así traballa a máquina que analiza as emocións en Twitter

Investigadores da Universidade de Vigo desenvolven un sistema para estudar a transmisión de sentimentos nas redes sociais e combater a desinformación

Os investigadores tamén buscan combater a desinformación.
Os investigadores tamén buscan combater a desinformación.

Coa intención de comprender o manexo das crises sanitarias presentes e futuras e inspirados por estudos recentes que xa evidencian a importancia de observar os síntomas depresivos e os estresores psicosociais nas redes sociais, dous investigadores da Universidade de Vigo (UVigo) do campus de Ourense decidiron levar a cabo o seu propio traballo cun novo enfoque baseado no socioma, para comprender mellor como se transmiten os sentimentos de optimismo e pesimismo.

En concreto, a análise realizada por Guillermo Blanco e Anália Lourenço tiña como obxectivo explorar os contextos conversacionais onde emerxen e se desenvolven o optimismo e o pesimismo. Por isto, en lugar de clasificar aos usuarios como optimistas e pesimistas, grazas ao desenvolvemento dunha ferramenta de machine learning, puideron explorar patróns de conversas emocionais, detectando e interpretando cambios nesas emocións e, polo tanto, a influencia social que os motiva.

“Hai certos usuarios máis vulnerábeis, ou máis proclives, a ter unha opinión cambiante en función da información e os estímulos que están recibindo. É importante analizar estas cuestións porque a saúde mental foi unha parte fundamental da pandemia e vaino ser da pospandemia”, explica Lourenço.

O estudo

Cunha incrustación de transformador adestrada previamente para extraer as características semánticas, os investigadores puideron comparar varias arquitecturas de rede. “O primeiro é darlle exemplos á máquina do que se vai desenvolver; neste caso, cóllense tuits e comézase a anotar a man un por un cales son optimistas, cales pesimistas e cales non reflicten ningunha emoción e polo tanto son neutrais”, explica Blanco.

Contabilizáronse un total de 150.503 tuits e 51.319 usuarios únicos

Isto, xunto cun conxunto de datos de adestramento, permite que a máquina comece a discernir que é o optimismo e que é o pesimismo. Posteriormente, os investigadores facilitan outro conxunto de datos de test que nunha viu a máquina e esta debe predicir a emoción detrás do tuit. Así mídese a eficacia do modelo: estabelecendo se as súas conclusións foron correctas ou non.

“Quizáis cuestións como o optimismo e o pesimismo son un pouco máis difíciles de estudar, pero no caso do spam funciona igual e é moito máis doado. É un exemplo infantil, pero sabes que se chega un correo que pon iPhone, premio, un millón, vai ser spam“, afirma Blanco.

Os resultados experimentais en catro períodos da pandemia mostran como o enfoque proposto pode modelar o optimismo e o pesimismo no contexto dunha crise de saúde. Contabilizando un total de 150.503 tuits e 51.319 usuarios únicos, as conversas caracterízanse en termos de sinais emocionais e cambios para desentrañar a empatía e os mecanismos de apoio. As conversas con sinais pesimistas máis fortes denotaron pouco cambio emocional xa que o 62,21% destes intercambios non experimentaron ningún cambio na emoción. Á súa vez, tan só o 10,42% das conversas con tendencias optimistas mantiveron o ánimo.

Nos debates é moito máis probable chegar a un acordo emocional

Neste sentido, os investigadores puideron concluír que os cambios de emoción eran máis frecuentes nos grupos pequenos que nos grandes: “Un claro exemplo de usuario caracterizado como líder de opinión sería alguén como Trump, que ten miles de respostas ás que non contesta. Nese caso, os usuarios respostan de forma optimista ou pesimista segundo o seu carácter: están a favor ou en contra, pero non hai un fluxo emocional importante. Pola contra, nos grupos pequenos hai unha conversa máis clásica e íntima. Ao ter un debate é moito máis probable chegar a un acordo emocional porque quizais as opinións da persoa coa que falas impórtanche máis“, sinala Blanco.

Puntos de interpretación

Precisamente pola dificultade á hora de estudar o optimismo e o pesimismo, os investigadores atopáronse con certas complicacións en puntos concretos. “O sentimento de análise clásica, que adoita ser positivo e negatico, no covid non tiña sentido porque é algo negativo por si mesmo. Cando fas unha recensión sobre unha película podes dicir se che gustou ou non. Ao falar de optimismo a frase sería algo como ‘non me gustou, pero seguro que a próxima vez o director fai algo mellor’. Aplicado á covid, ‘o confinamento está sendo duro, pero nun futuro isto reforzará a sanidade’ “, manifesta Blanco.

Os tuits con expresións ambiguas ou interpretados como ironías quedaron fóra da selección

Esta clasificación tamén se viu influída pola utilización de hashtags cun certo tinte de optimismo, polo que moitos usuarios xa os utilizaban con esa intención. Non obstante, outra das arestas é a interpretación de certas mensaxes, tal e como explica Lourenço: “Unha cousa é que o texto poda ter variacións a través da ironía e outras expresións, pero ten que expresar algo concreto. Nós non podemos ler entre liñas máis alá do que está aí escrito”.

Por iso, tanto os anotadores como os autores da investigación tiveron unha sesión de consenso onde resolver as diferenzas e pautas de anotación así como descartar aqueles tuits que supuxeron conflitos non resoltos. “Por exemplo, os tuits que nós interpretabamos como irónicos quedaban fóra da anotación, porque nunca vas ter a certeza de que verdadeiramente o sexa. Á máquina déronselle tuits que realmente tiñamos a seguridade de que podían ser identificados como optimistas ou pesimistas. Por iso é importante que haxa varios anotadores, para que exista un consenso“, explica Blanco.

Estrutura de interconexión

O enfoque desta investigación baseouse no socioma, un universo ou unha rede de interconexión que se dá nas plataformas sociais, sendo estas o vehículo para interconectar usuarios de orixes moi distintas. “Temos que pensar na rede social como a infraestrutura e, por enriba dela, fórmanse comunidades dunha forma moi libre e, en moitos casos, moi proactiva. Estas comunidades poden durar máis ou menos no tempo e tamén pode existir máis ou menos polarización dentro delas dependendo da temática”, di Lourenço.

Anália Lourenço: “A pandemia reuniu a usuarios con distintos niveis de intereses, formación, cultura ou xénero”

Algúns exemplos que pon a investigadora son a comunidade antivacinas, outras máis xerais enfocadas na saúde como tópico e outras máis concretas que xorden na pandemia, reunindo a usuarios interesados na parte médica, pero tamén a outros máis preocupados polas cuestións económicas ou políticas. “Cando falamos de orixes non é simplemente a xeografía, senón que implica distintos niveis de intereses, formación, cultura, xénero, e moitas cousas máis”, engade.

Neste sentido, a covid outorgou un espazo único para este tipo de investigacións, tal e como explica Blanco: “Nós xa realizáramos estudos similares arredor do cancro colorrectal, pero esas comunidades non se comportan igual que estas que analizamos agora. As comunidades que estudamos no caso do cancro adoitan implicar a xente que son pacientes, familiares de pacientes ou médicos. É dicir, son máis pechadas e máis de nicho. O paradigma da covid ten que ver coa saúde, pero tamén coa economía e a vida social, polo que a participación foi de todo tipo de usuarios, tanto os que tiñan contacto coa enfermidade como os que non. Foi algo do que opinou todo o mundo“.

Blanco: “Non só intentamos detectar a información falsa relacionada coa saúde, senón tamén combatila”

Isto creou novos paradigmas nos que analizar non só os contidos das mensaxes, senón tamén a súa eficacia e o seu alcance. “Se pensamos do lado das organizacións da saúde, é interesante entender por que as súas mensaxes non chegaron ou non tiveron o impacto desexado. Que mecanismos de información interfiren con eles”, manifesta Lourenço.

Máis alá

Precisamente, esta análise do alcance da información posibilita tamén ter en conta a súa eficiencia á hora de desmentir a desinformación, algo no que os investigadores xa están traballando. De feito, este estudo sobre o optimismo e o pesimismo non é máis que a punta de lanza de algo moito máis grande: “Esta publicación é unha das compoñentes dunha análise máis macro. É un proxecto que intenta non só detectar a información falsa relacionada coa saúde, senón tamén combatila“, explica Blanco.

Os investigadores Anália Lourenço e Guillermo Blanco.
Os investigadores Anália Lourenço e Guillermo Blanco.

Desta forma, os investigadores buscan crear certos mecanismos que podan ofrecer unha información veraz sobre a desinformación que está a emitirse e poñen un exemplo dos inicios da pandemia. Durante a escaseza do xel hidroalcóholico, xerouse unha información falsa na que se afirmaba que con alcohol etílico podía fabricarse algo similar que servise como desinfectante. Nese momento, distintos medios realizaron unha labor de fact checking para explicar de forma científica por que non se podía facer.

“A idea sería facer iso, pero non só dende a observación na rede social, senón tamén participando nela comunicando aos usuarios que cousas son falsas e por que“, finaliza Blanco.


Referencia: Optimism and pessimism analysis using deep learning on COVID-19 related twitter conversations (Publicado en Information Processing & Management)

DEIXAR UNHA RESPOSTA

Please enter your comment!
POLÍTICA DE COMENTARIOS:

GCiencia non publicará comentarios ofensivos, que non sexan respectuosos ou que conteñan expresións discriminatorias, difamatorias ou contrarias á lexislación vixente.

GCiencia no publicará comentarios ofensivos, que no sean respetuosos o que contentan expresiones discriminatorias, difamatorias o contrarias a la ley existente.

Please enter your name here

Este sitio emprega Akismet para reducir o spam. Aprende como se procesan os datos dos teus comentarios.