Maskinlärande algoritm identifierar tweets som skickats under påverkan av alkohol

Att skicka din ex-partner en tweet med tårar i ögonen klockan 01:00 efter en flaska chardonnay är inte nödvändigtvis det bästa sättet att uppnå försoning. Vi vet alla att alkohol och tweeting inte alltid är en bra kombination.

Ändå ägnar sig ett överraskande antal av oss åt denna märkliga form av indiskretion. Och denna praxis har gett Nabil Hossain och kompisar vid University of Rochester en intressant idé.

Idag visar de här killarna hur de har tränat en maskin för att upptäcka alkoholrelaterade tweets. Och de visar också hur man använder denna data för att övervaka alkoholrelaterad aktivitet och hur den fördelas i hela samhället. De säger att metoden kan ha en betydande inverkan på hur vi förstår och svarar på de folkhälsoproblem som alkohol och andra aktiviteter väcker.

Hossain och cos arbete bygger på två genombrott. Det första är ett sätt att träna en maskininlärningsalgoritm för att upptäcka tweets som relaterar till alkohol och de som skickas av personer som dricker alkohol vid den tiden. Det andra är ett sätt att hitta en Twitter-användares hemplats med mycket större noggrannhet än vad som någonsin varit möjligt och därför avgöra om de dricker hemma eller inte.

Teamet började med att samla in geotaggade tweets som skickades under året fram till juli 2014 från New York City och från Monroe County på den norra gränsen av staten, som inkluderar staden Rochester. Från denna uppsättning filtrerar de alla tweets som nämner alkohol eller alkoholrelaterade ord, som berusad, öl, fest och så vidare.

De använde sedan arbetare på Amazons Mechanical Turk crowdsourcingtjänst för att analysera tweetarna mer i detalj. För varje tweet bad de tre turkare att bestämma om meddelandet avsåg alkohol och i så fall om det avsåg att tweetern drack alkohol. Slutligen frågade de om tweeten skickades samtidigt som tweetern insupade.

Den processen involverade cirka 11 000 geolokaliserade tweets associerade med alkohol (även om detaljer om storleken på denna studie, och därför dess betydelse, tyvärr saknas i tidningen). Det är en tillräckligt stor datamängd för att träna en maskininlärningsalgoritm för att själv upptäcka alkoholrelaterade tweets.

Det ledde dem till nästa fråga - var är dessa människor när de twittrar om att de dricker? Och i synnerhet, är de hemma eller någon annanstans?

Forskare har utarbetat olika metoder för att ta reda på folks hemposition med enbart deras geolokaliserade tweets. Dessa inkluderar att välja den plats de twittrar från mest, att välja den plats de skickar dagens sista tweet från eller den plats de twittrar från mellan kl. 01.00 och 06.00. Men alla dessa metoder har svagheter som gör dem svåra att lita på på.

Hossain och co utvecklade ett annat tillvägagångssätt. De gjorde upp en lista över ord och fraser som folk sannolikt kommer att använda i tweets som skickas från deras hem, som Äntligen hemma! eller badkar, soffa, TV och så vidare. De filtrerade bort geolokaliserade tweets som innehöll dessa ord och frågade tre turkare om de trodde att varje tweet skickades hemifrån eller inte, och behöll bara de som alla tre turkare svarade ja på.

Hossain och co betecknade dessa tweets som en grundsanningsdatauppsättning för hemmaposition och använde den för att träna en maskininlärningsalgoritm för att identifiera andra mönster som är associerade med hembaserade tweets. Algoritmen försökte se hur hempositionen är korrelerad med andra indikatorer som platsen för dagens sista tweet, den mest populära platsen för en tweet, procentandelen tweets från en viss plats, och så vidare.

Att förlita sig på flera indikatorer för att bestämma hemplatsen förbättrar tillvägagångssättets noggrannhet avsevärt, jämfört med de som använder en enda indikator. I själva verket säger Hossain och co att de kan räkna ut hemorten inom 100 meter med en noggrannhet på upp till 80 procent. Det är betydligt bättre än tidigare arbete.

Tillsammans gjorde dessa två tekniker det möjligt för teamet att räkna ut när och var folk dricker. Och de använde detta för att jämföra dryckesmönster i New York City och i förortsområdet i Monroe county.

De gör detta genom att dela upp varje område i 100 x 100 rutnät och markera de områden där det finns tweets förknippade med alkohol. Det gör att de kan upprätta och jämföra värmekartor över alkoholanvändning för varje område.

De skiljer också tweets om att dricka från en hemort från de som görs på annat håll. Och de kartlägger butikerna som säljer alkohol i varje område. Det gör det möjligt för forskarna att undersöka förhållandet mellan tätheten av tweets som skickas från olika regioner när de är berusade och tätheten av alkoholuttag.

Resultaten ger intressant läsning. För det första påpekar Hossain och co att en högre andel tweets i New York City är förknippade med alkohol än i Monroe County. En möjlig förklaring är att en fullsatt stad som NYC med mycket täta alkoholuttag och många människor som umgås sannolikt kommer att ha en högre andel drickande, säger de.

Dessutom avslöjar geolokaliseringsdata att en högre andel människor dricker hemma (eller inom 100 meter från hemmet) i New York City än i Monroe County, där en hög andel människor dricker längre än en kilometer hemifrån.

Värmekartorna avslöjar också intressanta mönster. Det gör att teamet kan komma in på rutnät på 100 x 100 meter där det har varit minst fem tweets om alkohol. Vi tror att sådana nät är regioner med ovanliga dricksaktiviteter, säger Hossain och co.

De hittade också ett samband mellan tätheten av alkoholuttag i en region och antalet tweets som indikerar att någon dricker nu. Det väcker en intressant fråga om hur korrelation och orsakssamband hänger ihop i detta fall. Får en hög densitet av alkoholuttag att folk dricker mer? Eller flockas de som dricker till områden med hög täthet av alkoholuttag? Naturligtvis kan denna typ av data i sig inte svara på detta.

Men den stora kraften med denna teknik är att den är billig och snabb. Däremot är det oerhört dyrt och tidskrävande att få en liknande insikt i dryckesmönster på andra sätt.

Det skulle vanligtvis kräva att personer är noggrant utvalda, att de fyller i förberedda frågeformulär och att dessa analyseras i detalj. Maskininlärningsmetoden kan till och med övervaka denna aktivitet i realtid. Våra resultat visar att tweets kan ge kraftfulla och finkorniga signaler om aktiviteter som pågår i städer, säger de.

Det finns förstås varningar. Det finns en tydlig partiskhet i data som samlats in från Twitter eftersom ungdomar och vissa minoriteter är överrepresenterade. Men liknande fördomar finns i andra datainsamlingsmetoder – till exempel tenderar undersökningar att underrepresentera personer som inte vill fylla i undersökningar, till exempel vissa invandrare. Att identifiera och hantera fördomar är en viktig del av alla metoder för datainsamling.

Hossain och co har stora planer för sin teknik. I framtiden vill de studera hur alkoholkonsumtionen varierar med ålder, kön, etnicitet och så vidare; hur olika miljöer påverkar drickande och twittrande, som vänners hus, stadion, park och så vidare; och att jämföra den hastighet med vilken drickare strömmar in och ut ur närliggande stadsdelar.

Den sociala aspekten av Twitter kommer också att vara användbar. Vi kan utforska det sociala nätverket av drinkare för att ta reda på hur sociala interaktioner och grupptryck i sociala medier påverkar tendensen att referera till drickande, säger Hossain och co.

Allt som skulle kunna bidra till att informera debatten om de hälsorelaterade aspekterna av alkohol, som är den tredje största orsaken till dödsfall som kan förebyggas i USA. Det är 75 000 dödsfall som alkohol orsakar varje år – en siffra som sätter betydelsen av detta arbete i perspektiv jämfört med till kärlekslivets prövningar och vedermödor.

Ref: arxiv.org/abs/1603.03181 : Att sluta sig till detaljerade detaljer om användaraktiviteter och hemposition från sociala medier: Upptäcka mönster för att dricka-under-twittring i gemenskaper

Dölj