پیش بینی شیوع بیماری با بهره گیری از شبکه های اجتماعی به گزارش پی اچ پی و جی کوئری، محققان کانادایی یک مدل یادگیری ماشینی را ارایه کرده اند که با تحلیل پست های پخش شده در شبکه های اجتماعی می تواند به پیش بینی محل وقوع شیوع بیماری کمک نماید. به گزارش پی اچ پی و جی کوئری به نقل از ایسنا، میزان واکسیناسیون در خیلی از جوامع به علت گسترش اطلاعات ناصحیح رو به کاهش است و بیماری هایی مانند سرخک که پیش تر ریشه کن شده یا کنترل شده بودند، در سرتاسر آمریکا و کانادا رو به افزایش هستند. به نقل از میراژ نیوز، محققان «دانشگاه واترلو»(UWaterloo) در کانادا متد جدیدی را عرضه کرده اند که می تواند به مقامات بهداشت عمومی در پیشبینی محل وقوع شیوع بیماری کمک نماید. این تکنیک با تحلیل پست های پخش شده در رسانه های اجتماعی، نشانه های اولیه افزایش تردید را درباره ی واکسن شناسایی می کند. این یک سیگنال هشداردهنده است که می تواند قبل از شروع شیوع هر بیماری ظاهر شود. دکتر «کریس باوخ»(Chris Bauch)، استاد دانشگاه واترلو اظهار داشت: در طبیعت، ما سیستم های مسری مانند بیماری ها را داریم. ما تصمیم گرفتیم به پویایی اجتماعی مانند یک سیستم اکولوژیکی نگاه نماییم و بررسی کردیم که چه طور اطلاعات ناصحیح می توانند بوسیله یک شبکه رسانه اجتماعی بصورت مسری از کاربری به کاربر دیگر منتقل شوند. این گروه پژوهشی یک مدل یادگیری ماشینی را برمبنای مفهوم ریاضی نقطه اوج -لحظه ای که یک سیستم ناگهان به حالت جدیدی تغییر می کند- آموزش دادند. باوخ اظهار داشت: فرقی نمی کند که بدن یک فرد دچار صرع را بررسی کنید یا یک سیستم اکولوژیکی مانند دریاچه اشغال شده توسط جلبک ها یا از دست دادن ایمنی جمعی در یک جمعیت. از نظر ریاضی، یک مکانیسم اساسی مشترک وجود دارد. محققان برای آزمایش مدل خود، ده ها هزار پست عمومی پخش شده در پلت فرم ایکس از کالیفرنیا را درست قبل از شیوع گسترده سرخک در سال ۲۰۱۴ تحلیل کردند. روش های سنتی مانند شمارش ساده توییت های شکاکانه قبل از شیوع، هشدار خیلی کمی را نشان می دادند. باوخ اظهار داشت: روش های معمول پیشبینی شیوع بیماری با انجام دادن تحلیل آماری توییت های شکاکانه، زمان زیادی را قبل از شیوع بیماری ارایه نمی دهند. ما با بهره گیری از نظریه ریاضی نقاط اوج توانستیم زمان خیلی بیشتری را به دست بیاوریم و الگوهای موجود در داده ها را خیلی مؤثرتر تشخیص دهیم. محققان با مقایسه الگوهای ارسال پست در کالیفرنیا با مناطق دیگری در همان زمان که هیچ شیوعی در آنها رخ نداده بود، دقت روش نقطه اوج را تأیید کردند. بااینکه این مدل در ابتدا روی ایکس آزمایش شد اما می توان آنرا به سادگی با پلت فرم هایی مانند «تیک تاک» یا «اینستاگرام» نیز تطبیق داد. با این وجود، در مقایسه با فرمت عمدتا مبتنی بر متن پلت فرم ایکس، برای تحلیل تصاویر و ویدیو های این دو پلت فرم به منابع محاسباتی بیشتری نیاز خواهد داشت. باوخ اظهار داشت: ما در نهایت می خواهیم این مدل را به روشی برای مقامات بهداشت عمومی تبدیل نماییم تا بر جمعیت هایی که در معرض بیشترین خطر برای رسیدن به نقطه اوج هستند، نظارت کنند. ریاضیات کاربردی می تواند روش قدرتمندی برای پیشبینی، نظارت و رسیدگی به تهدیدات سلامت عمومی باشد.خلاصه اینکه به گزارش پی اچ پی و جی کوئری به نقل از ایسنا، میزان واکسیناسیون در بسیاری از جوامع به سبب گسترش اطلاعات ناصحیح رو به کاهش است و بیماری هایی مانند سرخک که پیشتر ریشه کن شده یا کنترل شده بودند، در سراسر آمریکا و کانادا رو به افزایش هستند. با وجود این، در مقایسه با فرمت عمدتاً مبتنی بر متن پلتفرم ایکس، برای تحلیل تصاویر و ویدیو های این دو پلتفرم به منابع محاسباتی بیشتری نیاز خواهد داشت. 1404/09/01 10:08:35 5.0 / 5 6 تگهای خبر: آموزش , اینستاگرام , فرم , كاربر این مطلب را می پسندید؟ (1) (0) X تازه ترین مطالب مرتبط فیلترینگ نه جرم را کم کرد نه شایعات را از بین برد فقط حاکمیت را مقابل مردم قرار داد آینده مبهم در انتظار شاغلان فضای مجازی بدون بیمه و امنیت شغلی احتمال رفع فیلتر پلت فرم ها در تمامی دانشگاه ها وجود دارد هزینه کرد 70 میلیاردی ایرانی ها در حوزه بازیهای دیجیتال نظرات بینندگان در مورد این مطلب لطفا شما هم در مورد این مطلب نظر دهید = ۳ بعلاوه ۱ ثبت کامنت