Analizzando le prospettive sui vaccini attraverso un nuovo dataset

La vaccinazione è una pratica fondamentale per la salute pubblica che aiuta a prevenire la diffusione delle malattie. Tuttavia, c'è un crescente numero di disinformazione sui vaccini. Questo articolo esamina i motivi per cui le persone supportano o si oppongono alle vaccinazioni. Discute un nuovo Set di dati creato per analizzare questi motivi, che può aiutare a comprendere meglio le discussioni relative ai vaccini.

#Il Set di Dati: Motivi a Favore e Contro la Vaccinazione

Il set di dati, chiamato RFAV, raccoglie vari motivi a favore e contro le vaccinazioni. È stato creato utilizzando un metodo chiamato nichesourcing, in cui esperti aiutano nella raccolta e nella etichettatura delle informazioni. I dati sono stati raccolti da diversi siti web sia in inglese che in spagnolo, consentendo una comprensione più ampia delle opinioni pubbliche.

La disinformazione sui vaccini è diffusa, soprattutto con l'aumento dell'uso di Internet. Questo set di dati mira ad aiutare a identificare la disinformazione, che può portare a risposte migliori e contro-narrazioni.

#Crescente Esitazione alla Vaccinazione

Negli ultimi anni, l'esitazione verso i vaccini è diventata un problema significativo. Molti genitori scelgono di non vaccinare i propri figli. Questa decisione ha portato a focolai di malattie che in precedenza erano sotto controllo. La disinformazione sui vaccini gioca un ruolo importante in questa esitazione. Pertanto, comprendere cosa dicono le persone sui vaccini è cruciale per sviluppare messaggi efficaci che incoraggino le vaccinazioni.

#Raccolta di Informazioni

Per raccogliere informazioni, è stata creata una lista di parole chiave relative alla vaccinazione. Queste parole chiave includevano argomenti legati alla medicina alternativa, poiché spesso si collegano all'esitazione verso i vaccini. Sono state effettuate ricerche utilizzando queste parole chiave su Google e Bing per trovare pagine web rilevanti. Solo i documenti con un numero minimo di parole sono stati inclusi per garantire contenuti di qualità nel set di dati.

Dopo aver filtrato un gran numero di documenti, sono stati conservati un totale di 94.398 documenti in inglese e 66.257 documenti in spagnolo per ulteriori analisi.

#Definizione dei Termini

Nel set di dati, un "Motivo" è qualsiasi affermazione che qualcuno che sta considerando la vaccinazione potrebbe trovare pertinente. Non tutti i motivi sono argomentativi. Ogni motivo è etichettato in base alla sua posizione sulla vaccinazione, utilizzando una scala da 1 a 5.

• 1: Fortemente contro la vaccinazione
• 2: Debolmente contro la vaccinazione
• 3: Neutro o ambiguo
• 4: Debolmente a favore della vaccinazione
• 5: Fortemente a favore della vaccinazione

Una "Autorità Scientifica" si riferisce a qualsiasi menzione di esperti, pubblicazioni o istituzioni che possano conferire credibilità a un motivo. Questo aiuta a comprendere come i motivi siano supportati o sfidati all'interno dei documenti.

#Processo di annotazione

Il processo di annotazione ha coinvolto un team di studenti universitari addestrati a etichettare il set di dati. Hanno consultato un manuale che spiegava come identificare i motivi e assegnare le posizioni. Ogni annotatore ha etichettato un certo numero di esempi, e una parte di questi è stata etichettata più volte per misurare l'accordo tra il team.

Il livello di accordo è stato soddisfacente, dimostrando che il team è stato in grado di etichettare i dati in modo coerente nonostante la soggettività del compito.

#Caratteristiche dei Dati

Il set di dati ha mostrato schemi interessanti nei tipi di motivi etichettati. Una percentuale significativa di motivi supportava le vaccinazioni. Ad esempio, nel set di dati in inglese, il 71,59% dei motivi etichettati era a favore della vaccinazione. Al contrario, i motivi contro la vaccinazione erano molto meno comuni, evidenziando il disequilibrio nelle informazioni disponibili pubblicamente relative ai vaccini.

#Aumento del Set di Dati con l'IA

Per espandere ulteriormente il set di dati, sono stati utilizzati modelli di IA avanzati come GPT-4 e GPT-3.5. Questi modelli possono generare esempi di motivi e determinare la loro posizione senza input umano.

Mentre l'uso dell'IA ha aiutato ad aumentare la quantità di dati, ha anche introdotto alcune discrepanze rispetto alle annotazioni umane. L'IA ha etichettato più esempi come neutri o li ha categorizzati in modo diverso. Questa differenza nei criteri potrebbe influenzare il modo in cui i modelli apprendono dai dati.

Incorporando dati dall'IA, sono stati generati un totale di 3.900 nuovi esempi in inglese e 3.400 in spagnolo, aumentando significativamente la dimensione del set di dati.

#Addestramento e Valutazione del Modello

Per effettuare previsioni automatiche sui motivi, vari modelli linguistici sono stati addestrati utilizzando il set di dati annotato. Sono stati testati modelli diversi per vedere quanto bene potessero riconoscere i motivi e le loro posizioni in base all'input.

I risultati hanno mostrato che alcuni modelli hanno performato bene, specialmente nel prevedere posizioni favorevoli sulla vaccinazione. Tuttavia, sono rimasti problemi nel riconoscere e categorizzare con precisione i motivi contro la vaccinazione.

#Risultati e Limitazioni

I risultati hanno evidenziato la difficoltà nell'addestrare modelli a riconoscere i motivi, specialmente per le classi minoritarie di sentimenti anti-vaccino. Le prestazioni sono state migliori per la classe maggioritaria, che favorisce il supporto alla vaccinazione, mentre le prestazioni sono diminuite significativamente per le classi meno rappresentate.

Un'osservazione notevole è stata che combinare dati etichettati da umani con dati generati dall'IA ha talvolta portato a prestazioni complessive inferiori. Questo suggerisce che le discrepanze nei criteri di etichettatura influenzano negativamente le previsioni del modello.

#Considerazioni Etiche

Gli strumenti sviluppati possono essere utili nella lotta alla disinformazione riguardante la vaccinazione. Tuttavia, si riconosce che potrebbero anche essere abusati. Ad esempio, potrebbero essere utilizzati per identificare argomenti a favore della vaccinazione per controbattere le opposizioni.

È fondamentale utilizzare questo set di dati in modo responsabile, prestando attenzione alle sfumature degli argomenti contro la vaccinazione che potrebbero essere basati su preoccupazioni legittime piuttosto che su disinformazione.

#Conclusione

Il set di dati RFAV e i modelli sviluppati da esso mirano a fare luce sui dibattiti in corso riguardanti la vaccinazione. Analizzando i motivi forniti dalle persone a favore o contro i vaccini, possiamo affrontare meglio la disinformazione e incoraggiare discussioni informate sui benefici e i rischi della vaccinazione.

La creazione di questo set di dati e l'analisi in corso esemplificano il potenziale della combinazione tra competenza umana e IA per affrontare importanti questioni di salute pubblica. È necessario fare ulteriori progressi, soprattutto per bilanciare le prospettive rappresentate nel set di dati, ma questo è un passo significativo in avanti nella comprensione del discorso sulla vaccinazione.

#Riferimenti

Non applicabile per questa sezione.