Mapping the Pandemics Echo: Dynamic Narrative Detection and Spatio-Temporal Sentiment Modeling of COVID-19 Discourse on Twitter
Cet article introduit un nouveau cadre spatio-temporel combinant COVID-Twitter-BERT et BERTopic pour analyser 2,4 millions de tweets géolocalisés, révélant comment les récits et les sentiments liés à la COVID-19 ont évolué à travers des phases distinctes de la pandémie et ont varié de manière significative entre les régions des États-Unis et de l'Europe.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Imaginez l'internet comme une immense place du village mondiale qui ne dort jamais. Dans cette place, des milliards de personnes crient leurs pensées, leurs peurs et leurs blagues dans le vide chaque seconde. Pour les scientifiques qui étudient la façon dont les gens réagissent aux grands événements, ce bavardage est comme une bibliothèque massive et bruyante où les livres s'écrivent en temps réel. Pour donner un sens à ce chaos, les chercheurs utilisent deux outils principaux. Premièrement, ils utilisent l'« analyse de sentiment », qui est comme une bague de changement de couleur numérique qui lit une phrase et décide si l'auteur est heureux, triste, en colère ou simplement neutre. Deuxièmement, ils utilisent la « modélisation thématique », qui agit comme un bibliothécaire super intelligent capable de lire des milliers de livres à la fois et de les regrouper selon ce dont ils parlent réellement, même si les mots sont différents. Habituellement, les scientifiques regardent ces bagues de changement de couleur et ces groupes de livres comme s'ils étaient figés dans le temps, comme une photographie. Mais la vie n'est pas une photographie ; c'est un film. Les sentiments des gens et les histoires qu'ils racontent changent chaque jour, et ils changent différemment selon l'endroit où ils vivent. Comprendre cette image animée est crucial car si les dirigeants veulent parler aux gens lors d'une crise, ils doivent savoir non seulement ce qui inquiète les gens, mais aussi quand cette inquiétude a commencé et qui la ressent.
Cet article, intitulé « Mapping the Pandemic's Echo » (Cartographier l'écho de la pandémie), fait un bond de géant au-delà de cette photographie figée. Les chercheurs, Maaskri et son équipe, ont décidé de construire une machine à remonter le temps pour les réseaux sociaux. Ils ont rassemblé une collection massive de 2,4 millions de tweets provenant de personnes du monde entier, collectés sur 30 mois, de janvier 2020 à juin 2022. Au lieu de simplement regarder les tweets comme un tas de données statiques, ils ont utilisé une boîte à outils technologique spéciale pour observer comment les histoires et les humeurs ont évolué mois par mois. Ils ont combiné un cerveau linguistique super intelligent (appelé COVID-Twitter-BERT) qui comprend l'argot spécifique et le contexte des tweets liés à la pandémie avec un traqueur de sujets dynamique (appelé BERTopic) capable de repérer les nouvelles histoires à mesure qu'elles émergent et les anciennes à mesure qu'elles s'estompent.
Ce qu'ils ont découvert est un paysage fascinant et changeant de l'émotion humaine. L'étude suggère que la pandémie n'a pas été une seule longue histoire ennuyeuse, mais une série de chapitres distincts. Au tout début, en début 2020, le récit dominant était la panique pure concernant la pénurie de masques et de fournitures médicales. Au fil des mois, la conversation a radicalement changé. En 2021, l'attention s'est portée sur les vaccins, commençant par une vague de grand optimisme et d'espoir, avant de se transformer lentement en un débat passionné et polarisé sur la question de savoir si les gens devaient se faire vacciner. En 2022, l'humeur avait encore changé pour quelque chose appelé la « fatigue pandémique », où les gens étaient simplement lassés de toute la situation.
Les chercheurs ont également découvert que la géographie compte énormément. C'est comme si deux quartiers différents d'une même ville faisaient des fêtes complètement différentes. Aux États-Unis, les plus grandes conversations portaient souvent sur la « liberté contre les mandats », avec beaucoup de colère et de débats sur les règles et les droits personnels. En Europe, cependant, les discussions étaient davantage axées sur la « solidarité » et le travail ensemble en tant que communauté. L'étude a mesuré ces sentiments et a trouvé que leur système pouvait deviner correctement l'humeur d'un tweet environ 76 % du temps, et qu'il a identifié avec succès 50 histoires ou « récits » distincts que les gens racontaient.
L'article soutient que considérer les réseaux sociaux comme une liste statique d'opinions revient à passer à côté de l'essentiel. Si vous ne regardez qu'un instantané, vous pourriez penser que tout le monde est content des vaccins, ou vous pourriez manquer le fait qu'une région spécifique est soudainement en colère contre une nouvelle règle. En cartographiant ces changements dans le temps et l'espace, les auteurs suggèrent que les responsables de la santé publique pourraient utiliser ce genre de « surveillance narrative » pour repérer les nouvelles inquiétudes avant qu'elles ne deviennent de gros problèmes. Ils pourraient voir exactement quand l'optimisme se transforme en peur ou quand une politique locale provoque un certain type de réaction hostile, leur permettant d'ajuster leurs messages pour qu'ils correspondent à l'humeur du moment. Bien que l'étude soit limitée aux tweets en anglais et ne comprenne que les utilisateurs de Twitter (qui pourraient ne pas représenter tout le monde), elle offre une nouvelle façon puissante d'écouter le pouls du monde, montrant que l'histoire d'une pandémie n'est jamais une seule histoire, mais un milliard d'histoires différentes qui changent chaque jour.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.