نظرکاوی نظام سلامت با رویکرد تحلیل گراف شبکه های اجتماعی

گسترش شبکه های اجتماعی فرصت مهمی برای بررسی دیدگاه های عمومی در نظام سلامت فراهم کرده است. این مقاله مدلی گراف محور ارائه می دهد که تحلیل احساسات کاربران شبکه های اجتماعی را با ساختار روابط آن ها ترکیب می کند تا بتوان روند انتشار نظرات کاربران تاثیرگذار و جوامع گفتگو را به صورت عمیق تر شناسایی کرد. داده ها از پلتفرم هایی مانند توییتر جمع آوری شده و موضوعات کلیدی نظام سلامت مانند واکسیناسیون و بیماری های مزمن مورد توجه قرار گرفته اند. مدل نظرکاوی با استفاده از پیش آموزش BERT و روش های stance detection احساسات مثبت، منفی و خنثی را تشخیص می دهد. به موازات آن، گراف روابط کاربران بر اساس تعامل هایی مثل منشن، کامنت و ریتوییت ساخته می شود و از embeddingهای ساختاری گراف و شاخص هایی مانند مرکزیت و تشخیص جامعه استفاده می شود. با ترکیب ویژگی های متنی و گرافی، مدل نهایی قادر است کاربران تاثیرگذار را شناسایی کرده و مسیرهای اصلی انتشار نظرات منفی را با دقت بیشتری ردیابی کند. بر اساس مقایسه با مدل های صرفا متنی مشابه از مطالعات Graph Embedding Approaches for Social Media Sentiment Classification که در آن F۱-score حدود ۸۵ گزارش شده است [۱] و مطالعه Opinion-Enhanced Hybrid BERT Model for Mental Health Classification با دقت و F۱ نزدیک به ۸۲-۸۳٪ [۲]، مدل پیشنهادی ما بازدهی F۱ تقریبا ۸۵-۹۰ پیش بینی می شود. این روش می تواند به سیاست گذاران سلامت کمک کند واکنش عمومی را در زمان واقعی پایش کرده و استراتژی های اطلاع رسانی موثرتری تدوین نمایند.

کلیدواژه ها:

نظرکاوی ، تحلیل گراف ، شبکه های اجتماعی ، نظام سلامت ، BERT ، تشخیص موضع (stance detection)