Entendiendo el sentimiento sobre las vacunas en Sudáfrica
Un estudio analiza las reacciones en redes sociales a las vacunas contra el COVID-19 en Sudáfrica.
― 7 minilectura
Tabla de contenidos
Durante la pandemia de COVID-19, mucha gente mostró dudas sobre vacunarse. Esto es un problema para la Salud Pública porque las vacunas son clave para controlar la propagación del virus. En Sudáfrica, las Redes Sociales, especialmente Twitter, se han convertido en una plataforma para que la gente comparta sus opiniones sobre la vacunación. Este estudio analiza tweets de Sudáfrica para entender cómo se siente la gente sobre las vacunas contra el COVID-19.
Importancia de la Vacunación
La vacunación juega un papel importante en la lucha contra enfermedades infecciosas. Ayuda a proteger a las personas y a las comunidades de enfermedades. Sin embargo, algunas personas se resisten o retrasan la vacunación, lo que puede obstaculizar la efectividad de las campañas de vacunación. Entender por qué la gente se siente así puede ayudar a los funcionarios de salud a crear mejores estrategias para fomentar la vacunación.
El Papel de las Redes Sociales
Las plataformas de redes sociales son herramientas poderosas para recolectar el sentir del público. Los usuarios comparten sus pensamientos, experiencias y dudas sobre varios temas, incluidas las vacunas contra el COVID-19. Al analizar este contenido generado por los usuarios, podemos obtener ideas sobre la opinión pública y la vacilación respecto a la vacuna.
Metodología
Este estudio implicó recolectar tweets relacionados con la vacunación de COVID-19 usando ciertos hashtags durante un periodo específico. Los investigadores juntaron alrededor de 30,000 tweets de usuarios sudafricanos. Luego, estos tweets se categorizaron en tres grupos de sentimiento: positivo, negativo y neutral.
Procesamiento de Datos
Se utilizaron dos métodos principales para preparar los datos para el análisis.
Método Basado en Corpus: Este enfoque consistió en limpiar los tweets eliminando elementos innecesarios como URLs, menciones de usuarios y puntuación. Los emojis también se describieron en palabras para capturar su significado.
Método Basado en Semántica: Este método retiene más contexto en los tweets manteniendo la puntuación y caracteres numéricos. Buscaba preservar el tono original de los tweets.
Después de procesar, se evaluó el sentimiento de cada tweet, ayudando a categorizar los diferentes sentimientos expresados sobre la vacunación.
Análisis de Sentimientos
Una vez que los tweets fueron categorizados, se emplearon varios modelos de aprendizaje automático para identificar y clasificar sentimientos con precisión. Los modelos utilizados fueron Long Short-Term Memory (LSTM), Bidirectional LSTM (Bi-LSTM), Support Vector Machines (SVM), BERT y RoBERTa. Cada modelo fue evaluado según su capacidad para clasificar correctamente los tweets.
Resultados del Análisis de Sentimientos
Los resultados mostraron que la mayoría de los tweets tenían un sentimiento neutral, seguido de sentimientos negativos y positivos. Esto indica que muchos usuarios no estaban fuertemente a favor ni en contra de la vacunación, sino más bien ambivalentes o indecisos.
Modelos de Aprendizaje Automático
Los modelos utilizados en este estudio tienen fortalezas y debilidades según cómo procesan el lenguaje.
LSTM y Bi-LSTM: Son tipos de redes neuronales recurrentes que son efectivas para entender secuencias en texto. Bi-LSTM, que mira el texto desde ambas direcciones, tiende a tener mejor rendimiento que LSTM.
SVM: Este modelo utiliza un enfoque diferente, centrándose en dividir los datos en diferentes categorías según las características extraídas del texto. Resultó sorprendentemente efectivo en este estudio.
BERT y RoBERTa: Estos son modelos avanzados que analizan el texto en función del contexto y la semántica. Se ajustaron para un mejor rendimiento, lo que llevó a una mayor precisión en la clasificación de sentimientos.
Hallazgos Clave
Entre los varios modelos, el mejor rendimiento se observó en el modelo RoBERTa ajustado, seguido de cerca por el modelo BERT. Los resultados indican que muchos sudafricanos están inseguros o en conflicto sobre la vacunación, con una parte significativa expresando dudas o sentimientos negativos.
Problemas de Vacilación Vacunal
El estudio destaca varios factores que contribuyen a la vacilación vacunal en Sudáfrica:
Desinformación: Mucha gente está influenciada por información falsa que encuentra en línea, lo que puede crear miedo y dudas sobre las vacunas.
Preocupaciones Sobre la Seguridad: Algunas personas se preocupan por los efectos secundarios potenciales, incluidos riesgos graves para la salud.
Factores Económicos y Sociales: Los desafíos económicos y el impacto de la pandemia en la vida diaria pueden llevar a la resistencia contra la vacunación.
Falta de Confianza en las Autoridades: La desconfianza en el gobierno y en las organizaciones de salud puede afectar la disposición de la gente a vacunarse.
Conclusión
Entender la vacilación vacunal es crucial para los esfuerzos de salud pública durante la pandemia en curso. Al analizar conversaciones en redes sociales, los investigadores pueden obtener ideas sobre el sentir público y abordar preocupaciones de manera efectiva. Los resultados de este estudio pueden ayudar a los funcionarios de salud en Sudáfrica a optimizar las campañas de vacunación y mejorar la confianza pública en las vacunas.
Direcciones Futuras
Se necesita más investigación para explorar cómo evolucionan los sentimientos con el tiempo y bajo diferentes circunstancias. Monitorear continuamente las redes sociales puede proporcionar información en tiempo real sobre la opinión pública, ayudando a adaptar estrategias según sea necesario. Además, combinar datos de varias fuentes, como encuestas y estadísticas de salud oficiales, puede ofrecer una visión más completa de la vacilación vacunal.
Implicaciones para la Salud Pública
Los hallazgos subrayan la importancia de la comunicación y la educación en las campañas de salud pública. Estrategias que se centren en desmentir mitos, abordar preocupaciones de seguridad y construir confianza en las autoridades de salud pueden mejorar los esfuerzos de vacunación. Involucrarse con las comunidades a través de redes sociales y otras plataformas también puede fomentar un diálogo más positivo sobre la vacunación, lo que en última instancia lleva a tasas de aceptación más altas.
Abordando la Vacilación Vacunal
Para abordar eficazmente la vacilación vacunal, las autoridades de salud pública pueden considerar los siguientes enfoques:
Compromiso Comunitario: Involucrar a las comunidades en discusiones sobre vacunas puede ayudar a adaptar mensajes que resuenen con sus experiencias y preocupaciones.
Comunicación Transparente: Proporcionar información clara y precisa sobre la seguridad y eficacia de las vacunas puede contrarrestar la desinformación.
Aprovechar Influencers: Colaborar con figuras de confianza en las comunidades puede amplificar mensajes positivos sobre la vacunación.
Mecanismos de Retroalimentación: Establecer canales para que las personas expresen sus preocupaciones puede ayudar a las autoridades de salud a abordar miedos específicos directamente.
Reflexiones Finales
La pandemia de COVID-19 ha resaltado los desafíos de la vacilación vacunal a nivel mundial. En Sudáfrica, entender el sentir hacia las vacunas a través de datos de redes sociales ofrece ideas valiosas. Al aplicar estos hallazgos, las estrategias de salud pública pueden refinarse para abordar mejor las preocupaciones de la población, contribuyendo en última instancia a una respuesta más efectiva ante la pandemia.
Título: Detecting the Presence of COVID-19 Vaccination Hesitancy from South African Twitter Data Using Machine Learning
Resumen: Very few social media studies have been done on South African user-generated content during the COVID-19 pandemic and even fewer using hand-labelling over automated methods. Vaccination is a major tool in the fight against the pandemic, but vaccine hesitancy jeopardizes any public health effort. In this study, sentiment analysis on South African tweets related to vaccine hesitancy was performed, with the aim of training AI-mediated classification models and assessing their reliability in categorizing UGC. A dataset of 30000 tweets from South Africa were extracted and hand-labelled into one of three sentiment classes: positive, negative, neutral. The machine learning models used were LSTM, bi-LSTM, SVM, BERT-base-cased and the RoBERTa-base models, whereby their hyperparameters were carefully chosen and tuned using the WandB platform. We used two different approaches when we pre-processed our data for comparison: one was semantics-based, while the other was corpus-based. The pre-processing of the tweets in our dataset was performed using both methods, respectively. All models were found to have low F1-scores within a range of 45$\%$-55$\%$, except for BERT and RoBERTa which both achieved significantly better measures with overall F1-scores of 60$\%$ and 61$\%$, respectively. Topic modelling using an LDA was performed on the miss-classified tweets of the RoBERTa model to gain insight on how to further improve model accuracy.
Autores: Nicholas Perikli, Srimoy Bhattacharya, Blessing Ogbuokiri, Zahra Movahedi Nia, Benjamin Lieberman, Nidhi Tripathi, Salah-Eddine Dahbi, Finn Stevenson, Nicola Bragazzi, Jude Kong, Bruce Mellado
Última actualización: 2023-07-12 00:00:00
Idioma: English
Fuente URL: https://arxiv.org/abs/2307.15072
Fuente PDF: https://arxiv.org/pdf/2307.15072
Licencia: https://creativecommons.org/publicdomain/zero/1.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.
Enlaces de referencia
- https://host
- https://www.overleaf.com/project/61fa529db8a1aeb01c574aa7
- https://www.who.int/publications/m/item/draft-landscape-of-covid-19-candidate-vaccines
- https://www.dailymaverick.co.za/article/2021-02-17-south-
- https://pubmed.ncbi.nlm.nih.gov/34252336/
- https://getthe-matic.com/sentiment-analysis
- https://getthematic.com/insights/5-text-analytics-approaches/
- https://towardsdatascience.com/how-to-label-text-for-sentiment-analysis-good-practises-2dce9e470708
- https://blog.superannotate.com/text-annotation-for-machine-learning/
- https://www.who.int/docs/default-source/immunization/demand/summary-of
- https://www.analyticsvidhya.com/blog/2021/06
- https://huggingface.co/Kalaoke/bert-finetuned-sentiment
- https://jonas-moennig.de/how-to-cite-a-website-with-bibtex/
- https://doi.org/10.1080/20421338.2020.1817262
- https://doi.org/10.1007/s12652-022-03805-0
- https://doi.org/10.1109/icirca51532.2021.9544
- https://doi.org/10.1016/j.jbi.2022.104054
- https://doi.org/10.3390/ijerph18084069
- https://doi.org/10.1155/2021/4321131
- https://www.blessingogbuokiri.com/
- https://researchinfosource.com/pdf/CIL2021
- https://www.yorku.ca/peopleofyu/2022/02/18/