Evaluando la credibilidad de la información de salud en línea

En tiempos recientes, ha habido un gran aumento de información en internet creada por usuarios. Este incremento ha llevado a la difusión de desinformación, especialmente en temas de salud. El reto de enfrentar la información falsa es importante y se ha abordado de muchas maneras, desde encontrar noticias falsas hasta lidiar con la manipulación de opiniones. Una área que ha ganado atención es la distribución de información de salud en línea.

Muchos de los primeros esfuerzos para lidiar con la desinformación se centraron en cómo los usuarios interactuaban con el contenido web. Sin embargo, han surgido nuevos métodos automatizados, especialmente desde que comenzó la pandemia de COVID-19. Estos métodos a menudo se basan en características tomadas del propio contenido web y utilizan técnicas de aprendizaje automático. Nuestro enfoque aquí es en el contenido relacionado con la salud en páginas web, donde la investigación aún puede contribuir a identificar qué hace que una página sea creíble o no.

#Detección de Desinformación en Salud

Este trabajo tiene como objetivo mejorar cómo evaluamos la confiabilidad de las páginas web relacionadas con la salud. Para hacer esto, usaremos un método llamado Web2Vec, que se utilizó inicialmente para detectar páginas de phishing. Web2Vec crea una representación especial de las páginas web al observar su estructura, contenido y enlaces. Aplicaremos esta representación para ayudar a identificar si la información de salud es creíble.

Un problema principal es que muchas personas tienen dificultades para entender la información de salud, especialmente cuando hay menos expertos médicos disponibles en línea para ayudarlos. Esto crea la necesidad de soluciones automatizadas para ayudar a evaluar la calidad del contenido de salud que se encuentra en la web.

#Trabajo Relacionado

Al examinar el problema de evaluar las páginas web relacionadas con la salud, hay varios enfoques a considerar. Varios estudios han investigado cómo los usuarios evalúan la fiabilidad de la información de salud en línea, a menudo centrándose en las interacciones con los usuarios a través de cuestionarios u otros métodos.

Los factores que influyen en cómo los usuarios evalúan la información incluyen la fuente del contenido, la forma en que se presenta la información y su relevancia. Los usuarios a menudo tienen sentimientos mixtos hacia las experiencias personales y la información factual. Algunas personas se enfocan más en los hechos "objetivos", mientras que otras pueden sentir que hay un desequilibrio en cómo se presentan ciertos hechos.

En el lado automatizado, estudios recientes han utilizado datos de varios recursos para evaluar la fiabilidad de las páginas web médicas. Se han desarrollado técnicas que se centran en aspectos de calidad como la precisión, la Credibilidad y la actualidad. Algunos métodos utilizan características existentes como la estructura de una página y la presencia de ciertos enlaces para determinar la credibilidad.

#Web2Vec: Un Nuevo Enfoque

El modelo Web2Vec utiliza una representación combinada de la URL de una página web, su contenido y su estructura. Emplea un enfoque híbrido usando una Red Neuronal Convolucional (CNN) y un modelo llamado BiLSTM. Esta combinación trabaja para extraer características importantes examinando la página web a diferentes niveles.

El proceso comienza con el análisis de la página HTML para recopilar varios elementos: los enlaces, el contenido y la estructura. El contenido se divide en secuencias significativas, mientras que los enlaces se analizan para entender cómo se conectan a otras páginas. La representación se construye a partir de estos elementos.

Para la representación de contenido, se utiliza una capa de incrustación preentrenada para incorporar conocimiento sobre términos médicos. Esto busca hacer que el modelo sea más efectivo en entender contenido relacionado con la salud.

#Extracción de características

La parte de extracción de características utiliza una CNN para identificar características locales de los datos. La CNN está estructurada para incluir tanto una capa de convolución, que encuentra patrones, como una capa de agrupamiento, que ayuda a reducir la cantidad de datos mientras se mantienen las partes importantes.

La capa BiLSTM luego procesa esta información en ambas direcciones, lo que le permite mantener el orden y las relaciones entre los datos. Esto significa que puede ver el contexto de la información, lo cual es importante para identificar con precisión la credibilidad.

Para prevenir el sobreajuste durante el entrenamiento, se utilizan técnicas como el dropout y la regularización. Estas ayudan a garantizar que el modelo aprenda a generalizar a partir de los datos de entrenamiento en lugar de solo memorizarlo.

#Datos Usados para Evaluación

En este trabajo, evaluamos la efectividad del enfoque Web2Vec utilizando varios conjuntos de datos. Sin embargo, encontrar conjuntos de datos relacionados con la salud disponibles públicamente con calificaciones de credibilidad puede ser un desafío. Un conjunto de datos que se consideró incluye páginas web de diferentes áreas como salud, finanzas y política, cada una calificada por credibilidad en una escala.

Otro conjunto de datos fue una colección equilibrada de páginas web fiables y no fiables. En este caso, se seleccionaron fuentes fiables de sitios web de salud acreditados, mientras que las no fiables se descubrieron a través de búsquedas.

Un tercer conjunto de datos se centró específicamente en temas de eSalud, donde las calificaciones se convirtieron en un sistema binario para clasificar las páginas como creíbles o no creíbles.

#Líneas de Base y Mediciones

Para entender qué tan bien funciona el modelo Web2Vec, se compara con soluciones existentes en el campo. Se han identificado varios modelos de línea base: estos incluyen métodos que se centran únicamente en características textuales y aquellos que utilizan múltiples tipos de características.

Las mediciones clave para evaluar el rendimiento del modelo incluyen precisión, medida F1 y Área Bajo la Curva (AUC). Estas medidas se utilizan comúnmente en estudios que abordan la detección de desinformación y la evaluación de credibilidad.

#Resultados y Discusión

Los resultados muestran lo efectivo que es el enfoque Web2Vec para identificar desinformación de salud. Al compararlo con métodos de línea base, nuestro modelo demostró un rendimiento sólido en la detección de información de salud creíble.

En particular, agregar las incrustaciones médicas preentrenadas y considerar la estructura y los enlaces de las páginas web mejoró significativamente la precisión del modelo. El análisis mostró que ser consciente del contexto y el significado semántico del contenido juega un papel crucial en mejorar la confianza en las páginas web relacionadas con la salud.

Este trabajo marca un paso importante en entender cómo estructurar y construir modelos para enfrentar la desinformación en temas de salud. Los hallazgos sugieren que futuras investigaciones no solo deben centrarse en el texto, sino también considerar cómo las características estructurales y el conocimiento externo pueden mejorar la calidad de la información de salud en línea.

#Conclusión

La difusión de desinformación, especialmente en campos relacionados con la salud, representa un desafío serio. Al usar el enfoque Web2Vec, hemos demostrado que es posible desarrollar sistemas automatizados que clasifiquen efectivamente el contenido de salud como creíble o no. Este modelo proporciona una base para investigar más sobre qué elementos son más efectivos para determinar la confiabilidad de la información de salud en línea.

El trabajo continuo en esta área podría llevar a mejores herramientas para los usuarios que buscan información de salud confiable en un entorno online complejo. Futuros estudios podrían profundizar más en cómo diversas características, tanto estructurales como contextuales, pueden mejorar la precisión de la detección de desinformación, especialmente en un campo tan crítico como la salud.