此图显示了与比尔和梅林达·盖茨阴谋论相关的推文的单词重要性随时间的变化。在顶部面板中，x轴代表时间，y轴显示重要单词。颜色代表单词的重要性，颜色越深表示重要性越高。底部面板是每个主题的单词云。单词大小对应于单词权重(权重越高，单词越大)。功劳:洛斯阿拉莫斯国家实验室一项新的机器学习计划准确识别了社交媒体上与新冠肺炎相关的阴谋论，并模拟了它们如何随着时间的推移而演变——这一工具有朝一日可能会帮助公共卫生官员打击网上的错误信息。洛斯阿拉莫斯国家实验室信息系统和建模组博士后研究员考特尼·雪莱是上周发表在《医学互联网研究杂志》上的这项研究的合著者，他说:“许多与社交媒体上的错误信息相关的机器学习研究都集中在识别不同类型的阴谋论上。“相反，我们希望建立一种更有凝聚力的理解，了解错误信息在传播时是如何变化的。因为人们倾向于相信他们听到的第一个信息，公共卫生官员有朝一日可能会监控哪些阴谋论在社交媒体上获得了吸引力，并编造事实性的公共信息阵营来阻止对谎言的广泛接受。”
这项名为“我想先分享”的研究使用公开的匿名推特数据来描述四个新冠肺炎阴谋论主题，并为每个主题提供潘德会议前五个月的背景。研究考察的四个主题是:5G细胞塔传播病毒；比尔和梅林达·盖茨基金会策划或以其他方式怀有与新冠肺炎有关的恶意；病毒是生物工程或在实验室中开发的；当时仍在研发中的新冠肺炎疫苗是危险的。
“我们从大约180万条包含新冠肺炎关键词或来自健康相关推特账户的推文数据集开始，”达克斯·戈尔茨说，他也是洛斯阿拉莫斯信息系统和建模小组的计算机科学家，也是该研究的合著者。“从这些数据中，我们使用模式过滤识别出与四种阴谋论相匹配的子集，并在每个阴谋论类别中手工标记数百条推文，以构建训练集。”
利用为四种理论收集的数据，该团队构建了随机森林机器学习或人工智能模型，将推文归类为新冠肺炎错误信息与否。
采访洛斯阿拉莫斯国家实验室信息系统和建模组的信息科学家、该研究的合著者阿什琳·道顿。“这让我们能够观察个人在社交媒体上谈论这些阴谋论的方式，并观察随着时间的推移而发生的变化，”戈尔茨说。
这项研究表明，与真实的推文相比，错误信息的推文包含更多负面情绪，阴谋论随着时间的推移而演变，融合了不相关阴谋论和现实世界事件的细节。
例如，比尔·盖茨在2020年3月参加了Reddit“问我任何事”，其中强调了盖茨资助的研究，以开发可注射的隐形墨水，可用于记录疫苗接种。紧接着，与疫苗厌恶阴谋论相关的词汇的重要性有所增加，这些阴谋论认为新冠肺炎疫苗会秘密地给个体植入微芯片以控制人口。
此外，该研究发现，可以使用监督学习技术来自动识别阴谋论，并且可以使用无监督学习方法(动态主题建模)来探索每个理论中主题之间单词重要性的变化。
雪莱说:“对公共卫生官员来说，了解阴谋论是如何随着时间的推移而演变并获得牵引力的，这一点很重要。“如果没有，他们就有可能无意中公开阴谋论，否则这些阴谋论可能会‘夭折’。”因此，了解阴谋论是如何变化的，并可能结合其他理论或现实世界的事件，对于制定如何用事实性的公共信息活动来计算它们是很重要的。"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
