Algoritmo de aprendizaje automático identifica tuits enviados bajo la influencia del alcohol

Enviarle a tu ex pareja un tweet con los ojos llorosos a la 1 a. m. después de una botella de chardonnay no es necesariamente la mejor manera de lograr la reconciliación. Todos sabemos que el alcohol y los tuits no siempre son una buena combinación.

Sin embargo, un número sorprendente de nosotros nos entregamos a esta peculiar forma de indiscreción. Y esta práctica le ha dado a Nabil Hossain y sus amigos de la Universidad de Rochester una idea interesante.

Hoy, estos chicos muestran cómo han entrenado una máquina para detectar tuits relacionados con el alcohol. Y también muestran cómo usar estos datos para monitorear la actividad relacionada con el alcohol y la forma en que se distribuye en la sociedad. Dicen que el método podría tener un impacto significativo en la forma en que entendemos y respondemos a los problemas de salud pública que plantean el alcohol y otras actividades.

El trabajo de Hossain y compañía se basa en dos avances. La primera es una forma de entrenar un algoritmo de aprendizaje automático para detectar tweets relacionados con el alcohol y aquellos enviados por personas que beben alcohol en ese momento. La segunda es una forma de encontrar la ubicación de la casa de un usuario de Twitter con una precisión mucho mayor que nunca y, por lo tanto, determinar si están bebiendo en casa o no.

El equipo comenzó recopilando tweets geoetiquetados enviados durante el año hasta julio de 2014 desde la ciudad de Nueva York y desde el condado de Monroe en la frontera norte del estado, que incluye la ciudad de Rochester. A partir de este conjunto, filtran todos los tuits que mencionan alcohol o palabras relacionadas con el alcohol, como borracho, cerveza, fiesta, etc.

Luego utilizaron a los trabajadores del servicio de crowdsourcing Mechanical Turk de Amazon para analizar los tuits con más detalle. Para cada tuit, pidieron a tres turcos que decidieran si el mensaje se refería al alcohol y, de ser así, si se refería al tuitero bebiendo alcohol. Finalmente, preguntaron si el tweet se envió al mismo tiempo que el tweeter estaba bebiendo.

Ese proceso involucró unos 11,000 tweets geolocalizados asociados con el alcohol (aunque lamentablemente faltan detalles sobre el tamaño de este estudio y, por lo tanto, su importancia en el documento). Ese es un conjunto de datos lo suficientemente grande como para entrenar un algoritmo de aprendizaje automático para detectar tweets relacionados con el alcohol.

Eso los llevó a la siguiente pregunta: ¿dónde están estas personas cuando tuitean sobre beber? Y en particular, ¿están en casa o en otro lugar?

Los investigadores han ideado varios métodos para determinar la ubicación de la casa de las personas utilizando solo sus tweets geolocalizados. Estos incluyen elegir el lugar desde el que tuitean más, elegir el lugar desde el que envían el último tuit del día o el lugar desde el que tuitean entre la 1 a. m. y las 6 a. m. Sin embargo, todos estos métodos tienen debilidades que hacen que sea difícil confiar en ellos. sobre.

Hossain y compañía desarrollaron otro enfoque. Elaboraron una lista de palabras y frases que la gente probablemente usará en los tweets enviados desde sus hogares, como ¡Finalmente en casa! o baño, sofá, TV, etc. Filtraron los tuits geolocalizados que contenían estas palabras y preguntaron a tres turcos si pensaban que cada tuit se había enviado desde casa o no, y se quedaron solo con aquellos a los que los tres turcos respondieron que sí.

Hossain y compañía designaron estos tweets como un conjunto de datos reales para la ubicación del hogar y lo usaron para entrenar un algoritmo de aprendizaje automático para identificar otros patrones asociados con los tweets en el hogar. El algoritmo buscó ver cómo la ubicación de la casa se correlaciona con otros indicadores, como la ubicación del último tweet del día, la ubicación más popular de un tweet, el porcentaje de tweets de una ubicación determinada, etc.

Confiar en varios indicadores para determinar la ubicación de la casa mejora significativamente la precisión del enfoque, en comparación con aquellos que usan un solo indicador. De hecho, Hossain y compañía dicen que pueden calcular la ubicación de su hogar con una precisión de hasta 100 metros con una precisión de hasta el 80 por ciento. Eso es significativamente mejor que el trabajo anterior.

Juntas, estas dos técnicas permitieron al equipo determinar cuándo y dónde bebía la gente. Y usaron esto para comparar los patrones de consumo de alcohol en la ciudad de Nueva York y en el área suburbana del condado de Monroe.

Lo hacen dividiendo cada área en cuadrículas de 100 x 100 y marcando aquellas áreas donde hay tuits asociados con el alcohol. Eso les permite elaborar y comparar mapas de calor de consumo de alcohol para cada zona.

También distinguen los tweets sobre el consumo de alcohol realizados desde un lugar de origen de los realizados en otros lugares. Y mapean los puntos de venta de alcohol en cada zona. Eso permite a los investigadores investigar la relación entre la densidad de tuits enviados desde diferentes regiones en estado de ebriedad y la densidad de puntos de venta de alcohol.

Los resultados hacen una lectura interesante. Primero, Hossain y compañía señalan que una mayor proporción de tuits en la ciudad de Nueva York están asociados con el alcohol que en el condado de Monroe. Una posible explicación es que una ciudad abarrotada como Nueva York con puntos de venta de alcohol muy densos y mucha gente socializando probablemente tenga una tasa más alta de consumo de alcohol, dicen.

Además, los datos de geolocalización revelan que una mayor proporción de personas bebe en casa (o a menos de 100 metros de casa) en la ciudad de Nueva York que en el condado de Monroe, donde una alta proporción de personas bebe a más de un kilómetro de casa.

Los mapas de calor también revelan patrones interesantes. Permite que el equipo se concentre en cuadrículas de 100 x 100 metros donde ha habido al menos cinco tuits sobre el alcohol. Creemos que tales cuadrículas son regiones de actividades de bebida inusuales, dicen Hossain y compañía.

También encontraron una correlación entre la densidad de puntos de venta de alcohol en una región y la cantidad de tuits que indican que alguien está bebiendo ahora. Eso plantea una pregunta interesante sobre cómo se vinculan la correlación y la causalidad en este caso. ¿Una alta densidad de puntos de venta de alcohol hace que la gente beba más? ¿O los bebedores acuden en masa a áreas con una alta densidad de puntos de venta de alcohol? Por supuesto, este tipo de datos por sí solo no puede responder a esto.

Sin embargo, el gran poder de esta técnica es que es barata y rápida. Por el contrario, obtener una visión similar de los patrones de consumo de alcohol por otros medios es enormemente costoso y requiere mucho tiempo.

Por lo general, requerirá que las personas sean cuidadosamente seleccionadas, que completen cuestionarios preparados y que estos sean analizados en detalle. El enfoque de aprendizaje automático podría incluso monitorear esta actividad en tiempo real. Nuestros resultados demuestran que los tweets pueden proporcionar pistas poderosas y detalladas de las actividades que se llevan a cabo en las ciudades, dicen.

Hay advertencias, por supuesto. Existe un claro sesgo en los datos recopilados de Twitter, ya que los jóvenes y ciertas minorías están sobrerrepresentados. Pero sesgos similares están presentes en otros métodos de recopilación de datos; por ejemplo, las encuestas tienden a subrepresentar a las personas que no quieren completar encuestas, como algunos inmigrantes. Identificar y tratar los sesgos es una parte importante de todos los métodos de recopilación de datos.

Hossain y compañía tienen grandes planes para su técnica. En el futuro, quieren estudiar cómo varía el consumo de alcohol con la edad, el sexo, la etnia, etc.; cómo los diferentes entornos influyen en beber y twittear, como las casas de los amigos, el estadio, el parque, etc.; y comparar la tasa a la que los bebedores entran y salen de los vecindarios adyacentes.

El aspecto social de Twitter también será útil. Podemos explorar la red social de bebedores para descubrir cómo las interacciones sociales y la presión de los compañeros en las redes sociales influyen en la tendencia a hacer referencia al consumo de alcohol, dicen Hossain y compañía.

Todo eso podría ayudar a informar el debate sobre los aspectos del alcohol relacionados con la salud, que es la tercera causa más grande de muerte evitable en los EE. a las pruebas y tribulaciones de la vida amorosa.

Ref: arxiv.org/abs/1603.03181 : Inferir detalles detallados sobre las actividades del usuario y la ubicación del hogar a partir de las redes sociales: detección de patrones de consumo de alcohol mientras se tuitea en las comunidades

esconder