Leveraging Social Media Data for COVID-19 Studies
यह अध्याय भाषाई, दृश्य और भावनात्मक संकेतकों का विश्लेषण करके, मशीन लर्निंग और एनएलपी (NLP) पद्धतियों की समीक्षा करके, और विश्वसनीय जानकारी तथा सार्वजनिक जागरूकता प्रसारित करने के लिए इन प्लेटफार्मों का लाभ उठाने हेतु भविष्य की अनुसंधान दिशाओं को रेखांकित करते हुए, कोविड-19 महामारी के दौरान सोशल मीडिया डेटा के उपयोग का अन्वेषण करता है।
मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि कोविड-19 महामारी के दौरान दुनिया एक विशाल, अराजक तूफान की तरह थी। इस तूफान के बीच, सोशल मीडिया ही वह एकमात्र प्रकाश स्तंभ (lighthouse) बना जिसके सहारे लोग रास्ता देख पा रहे थे। यह शोध पत्र एक मानचित्र की तरह है जो यह पता लगाता है कि कैसे शोधकर्ताओं ने उस प्रकाश स्तंभ (सोशल मीडिया डेटा) का उपयोग यह समझने के लिए किया कि तूफान के भीतर क्या हो रहा था, विशेष रूप से इस बात पर ध्यान केंद्रित करते हुए कि लोग कैसा महसूस कर रहे थे, वे क्या कह रहे थे और उनका व्यवहार कैसा था।
यहाँ इस शोध पत्र का एक सरल विवरण दिया गया, जिसमें रोजमर्रा के उपमाओं (analogies) का उपयोग किया गया है:
1. समस्या: शोर की बाढ़
जब वायरस आया, तो हर कोई डरा हुआ और भ्रमित था। सोशल मीडिया (जैसे ट्विटर, फेसबुक और रेडिट) वह मुख्य स्थान बन गया जहाँ लोग समाचारों के लिए जाते थे। लेकिन यह एक ऐसे भीड़भाड़ वाले कमरे में जाने जैसा था जहाँ हर कोई एक साथ चिल्ला रहा हो। कुछ लोग मददगार तथ्य चिल्ला रहे थे, लेकिन अन्य लोग फर्जी खबरें, अफवाहें और डरावनी कहानियाँ चिल्ला रहे थे।
यह शोध पत्र बताता है कि यह "शोर" खतरनाक था। जैसे किसी छोटे शहर में अफवाह डर पैदा कर सकती है, वैसे ही सोशल मीडिया पर फर्जी खबरों ने वास्तविक डर और चिंता पैदा की। कुछ दुखद मामलों में, लोगों ने गलत जानकारी पर विश्वास करने के कारण जीवन समाप्त करने जैसे निर्णय भी लिए। लेखक तर्क देते हैं कि हम केवल रेडियो को बंद नहीं कर सकते; इसके बजाय, हमें सही स्टेशनों को ट्यून करना सीखना होगा।
2. उपकरण: सोशल मीडिया "स्कैनर"
यह शोध पत्र "सोशल मीडिया विश्लेषण" नामक एक प्रक्रिया का वर्णन करता है। इसे एक हाई-टेक स्कैनर की तरह समझें जो लोगों द्वारा हर दिन किए जाने वाले पोस्ट के विशाल महासागर को देखता है।
- मात्रा (Volume): यह बहुत विशाल है। शोध पत्र नोट करता है कि अकेले ट्विटर पर हर मिनट 3,से लाख नए संदेश बनाए जाते हैं। यह टेक्स्ट के झरने जैसा है।
- चरण (Steps): शोधकर्ता सब कुछ नहीं पढ़ते। वे एक रेसिपी का पालन करते हैं:
- एकत्र करना (Gather): डेटा एकत्र करना (ट्वीट्स या पोस्ट)।
- साफ करना (Clean): डेटा को धोना (बेकार के शब्दों जैसे "the" या "and" को हटाना)।
- चुनना (Pick): महत्वपूर्ण हिस्सों को चुनना (जैसे विशिष्ट शब्द या चित्र)।
- खोदना (Dig): पैटर्न खोजने के लिए कंप्यूटर का उपयोग करना (डेटा माइनिंग)।
- जांचना (Check): यह परीक्षण करना कि उनके निष्कर्ष कितने सटीक हैं।
3. उन्होंने क्या देखा: तीन प्रकार के सुराग
शोधकर्ताओं ने लोगों द्वारा ऑनलाइन छोड़े गए तीन अलग-अलग प्रकार के "सुरागों" को देखा:
- शब्द (भाषाई डेटा - Linguistic Data): यह एक भीड़भाड़ वाले कमरे में आवाज के लहजे को सुनने जैसा है। शोधकर्ताओं ने लाखों ट्वीट्स को पढ़ने के लिए कंप्यूटर का उपयोग किया ताकि यह देखा जा सके कि क्या लोग तनावग्रस्त, दुखी या क्रोधित लग रहे थे। उन्होंने पाया कि जब वायरस के नए मामले बढ़े, तो लोगों के पोस्ट अधिक तनावपूर्ण हो गए। उन्होंने यह भी देखा कि जब सरकारों ने लोगों को घर पर रहने के लिए कहा, तो बातचीत वैश्विक समाचारों से बदलकर लोगों के दैनिक जीवन के प्रबंधन (coping) पर केंद्रित हो गई।
- चित्र (दृश्य डेटा - Visual Data): कभी-कभी शब्द पर्याप्त नहीं होते। शोधकर्ताओं ने तस्वीरों को भी देखा। उन्होंने "स्मार्ट कैमरों" (AI) का उपयोग करके यह गणना की कि फोटो में कितने लोग थे या क्या वे मास्क पहने हुए थे। उदाहरण के लिए, उन्होंने छह अमेरिकी शहरों के लाखों फोटो का विश्लेषण किया यह देखने के लिए कि क्या लोग वास्तव में सामाजिक दूरी बनाए रख रहे थे या विरोध प्रदर्शनों के दौरान बड़े समूहों में एकत्र हो रहे थे।
- मिश्रण (संयुक्त डेटा - Combined Data): शोध पत्र सुझाव देता है कि शब्दों और चित्रों को एक साथ देखने से सबसे अच्छी तस्वीर मिलती है। यह केवल स्क्रिप्ट पढ़कर फिल्म को समझने की कोशिश करने जैसा है; आप दृश्य भावनाओं को खो देते हैं। टेक्स्ट और छवियों को जोड़कर, शोधकर्ता यह बेहतर ढंग से समझ सके कि लोग महामारी के बारे में कैसा महसूस कर रहे थे।
4. इंजन: मशीन लर्निंग
आप एक दिन में 1.3 करोड़ ट्वीट कैसे पढ़ सकते हैं? आप नहीं कर सकते। यहीं मशीन लर्निंग काम आती है। मशीन लर्निंग को एक सुपर-फास्ट, अथक रोबोट सहायक के रूप में समझें।
- कार्य: आप रोबोट को सिखाते हैं कि "चिंता" या "फर्जी खबर" कैसी दिखती है, और फिर वह डेटा को स्कैन करके उसे ढूंढ निकालता है।
- परिणाम:
- एक अध्ययन ने तनाव के बारे में ट्वीट खोजने के लिए इस रोबोट का उपयोग किया और पाया कि तनाव का स्तर वायरस के नए मामलों की संख्या से मेल खाता था।
- एक अन्य अध्ययन ने रोबोट को कोविड-19 के बारे में "फर्जी खबर" पहचानने के लिए प्रशिक्षित किया। उन्होंने एक विशेष प्रशिक्षण नियमावली (COVIDLIES नामक एक डेटासेट) भी बनाई ताकि अन्य शोधकर्ता भी अपने रोबोट को सिखा सकें।
- एक अन्य टीम ने चिंता का पता लगाने के लिए यूट्यूब कमेंट्स को पढ़ने के लिए रोबोट का उपयोग किया। उन्होंने पाया कि एक विशिष्ट प्रकार का रोबोट (जिसे "रैंडम फॉरेस्ट" कहा जाता है) यह अनुमान लगाने में सबसे अच्छा था कि कोई व्यक्ति चिंतित महसूस कर रहा है या नहीं, और इसने 83% से अधिक बार सही अनुमान लगाया।
5. मुख्य निष्कर्ष
शोध पत्र निष्कर्ष निकालता है कि सोशल मीडिया एक दोधारी तलवार है। यह जंगल की आग की तरह घबराहट और फर्जी खबरें फैला सकता है, लेकिन यदि हम सही उपकरणों (जैसे ऊपर बताए गए स्कैनर और रोबोट) का उपयोग करें, तो यह यह समझने का एक शक्तिशाली तरीका भी हो सकता है कि लोग कैसा महसूस कर रहे हैं।
यह सुनकर कि लोग क्या कह रहे हैं और वे क्या पोस्ट कर रहे हैं, सरकारें और स्वास्थ्य अधिकारी जनता के मूड का एक "रियल-टाइम" स्नैपशॉट प्राप्त कर सकते हैं। इससे उन्हें यह समझने में मदद मिलती है कि क्या लोग डरे हुए हैं, क्या वे नियमों का पालन कर रहे हैं, और क्या उन्हें अधिक सहायता की आवश्यकता है। शोध पत्र इस बात पर जोर देता है कि हालांकि हमारे पास बहुत सारा डेटा है, हमें इसका उपयोग बुद्धिमानी से करना चाहिए ताकि लोगों को तूफान से निकलने में मदद मिल सके, न कि केवल शोर को उन पर हावी होने देना।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।