Un algorithme d'apprentissage automatique identifie les tweets envoyés sous l'influence de l'alcool

Envoyer à son ex-partenaire un tweet les larmes aux yeux à 1h du matin après une bouteille de chardonnay n'est pas forcément le meilleur moyen de se réconcilier. Nous savons tous que l'alcool et les tweets ne font pas toujours bon ménage.

Pourtant, un nombre surprenant d'entre nous se livrent à cette forme particulière d'indiscrétion. Et cette pratique a donné à Nabil Hossain et à ses amis de l'Université de Rochester une idée intéressante.

Aujourd'hui, ces gars montrent comment ils ont formé une machine pour repérer les tweets liés à l'alcool. Et ils montrent également comment utiliser ces données pour surveiller l'activité liée à l'alcool et la façon dont elle est distribuée dans la société. Ils disent que la méthode pourrait avoir un impact significatif sur la façon dont nous comprenons et répondons aux problèmes de santé publique que soulèvent l'alcool et d'autres activités.

Le travail de Hossain and co repose sur deux percées. Le premier est un moyen de former un algorithme d'apprentissage automatique pour repérer les tweets liés à l'alcool et ceux envoyés par des personnes buvant de l'alcool à l'époque. Le second est un moyen de trouver l'emplacement du domicile d'un utilisateur de Twitter avec une précision beaucoup plus grande que jamais et donc de déterminer s'il boit à la maison ou non.

L'équipe a commencé par collecter des tweets géolocalisés envoyés au cours de l'année jusqu'en juillet 2014 depuis New York et depuis le comté de Monroe, à la frontière nord de l'État, qui comprend la ville de Rochester. À partir de cet ensemble, ils filtrent tous les tweets qui mentionnent l'alcool ou des mots liés à l'alcool, tels que ivre, bière, fête, etc.

Ils ont ensuite utilisé des travailleurs du service de crowdsourcing Mechanical Turk d'Amazon pour analyser les tweets plus en détail. Pour chaque tweet, ils ont demandé à trois Turkers de décider si le message faisait référence à l'alcool et, le cas échéant, s'il faisait référence au tweeter buvant de l'alcool. Enfin, ils ont demandé si le tweet avait été envoyé en même temps que le tweeter s'imbibait.

Ce processus impliquait quelque 11 000 tweets géolocalisés associés à l'alcool (bien que les détails sur la taille de cette étude, et donc sa signification, manquent malheureusement dans l'article). Il s'agit d'un ensemble de données suffisamment volumineux pour former un algorithme d'apprentissage automatique afin de repérer lui-même les tweets liés à l'alcool.

Cela les a amenés à la question suivante : où sont ces personnes lorsqu'elles tweetent à propos de l'alcool ? Et surtout, sont-ils chez eux ou ailleurs ?

Les chercheurs ont mis au point diverses méthodes pour déterminer le domicile des personnes en utilisant uniquement leurs tweets géolocalisés. Il s'agit notamment de choisir l'endroit d'où ils tweetent le plus, de choisir l'endroit d'où ils envoient le dernier tweet de la journée ou l'endroit où ils tweetent entre 1 h et 6 h du matin. Cependant, toutes ces méthodes ont des faiblesses qui les rendent difficiles à utiliser. au.

Hossain et co ont développé une autre approche. Ils ont dressé une liste de mots et d'expressions que les gens sont susceptibles d'utiliser dans les tweets envoyés depuis leur domicile, tels que Enfin à la maison ! ou baignoire, canapé, TV, etc. Ils ont filtré les tweets géolocalisés contenant ces mots et ont demandé à trois Turkers s'ils pensaient que chaque tweet était envoyé de chez eux ou non, ne gardant que ceux pour lesquels les trois Turkers avaient tous répondu oui.

Hossain et co ont désigné ces tweets comme un ensemble de données de vérité terrain pour l'emplacement du domicile et l'ont utilisé pour former un algorithme d'apprentissage automatique afin d'identifier d'autres modèles associés aux tweets à domicile. L'algorithme a cherché à voir comment l'emplacement du domicile est corrélé avec d'autres indicateurs tels que l'emplacement du dernier tweet de la journée, l'emplacement le plus populaire d'un tweet, le pourcentage de tweets provenant d'un certain emplacement, etc.

S'appuyer sur plusieurs indicateurs pour déterminer l'emplacement du domicile améliore considérablement la précision de l'approche, par rapport à ceux qui utilisent un seul indicateur. En effet, Hossain et co disent qu'ils peuvent déterminer l'emplacement de la maison à moins de 100 mètres avec une précision allant jusqu'à 80 %. C'est nettement mieux que les travaux précédents.

Ensemble, ces deux techniques ont permis à l'équipe de déterminer quand et où les gens boivent. Et ils l'ont utilisé pour comparer les habitudes de consommation d'alcool à New York et dans la banlieue du comté de Monroe.

Pour ce faire, ils divisent chaque zone en grilles de 100 x 100 et marquent les zones où il y a des tweets associés à l'alcool. Cela leur permet d'établir et de comparer des cartes thermiques de consommation d'alcool pour chaque zone.

Ils distinguent également les tweets sur la consommation d'alcool faits à domicile de ceux faits ailleurs. Et ils cartographient les points de vente vendant de l'alcool dans chaque zone. Cela permet aux chercheurs d'étudier la relation entre la densité des tweets envoyés depuis différentes régions en état d'ébriété et la densité des points de vente d'alcool.

Les résultats rendent la lecture intéressante. Tout d'abord, Hossain et co soulignent qu'une plus grande proportion de tweets à New York sont associés à l'alcool que dans le comté de Monroe. Une explication possible est qu'une ville surpeuplée comme New York avec des points de vente d'alcool très denses et de nombreuses personnes qui socialisent est susceptible d'avoir un taux de consommation d'alcool plus élevé, disent-ils.

De plus, les données de géolocalisation révèlent qu'une proportion plus élevée de personnes boivent à la maison (ou à moins de 100 mètres de chez elles) à New York que dans le comté de Monroe, où une forte proportion de personnes boivent à plus d'un kilomètre de chez elles.

Les cartes thermiques révèlent également des modèles intéressants. Il permet à l'équipe de se concentrer sur des carrés de grille de 100 x 100 mètres où il y a eu au moins cinq tweets sur l'alcool. Nous croyons que ces grilles sont des régions d'activités inhabituelles de consommation d'alcool, disent Hossain et co.

Ils ont également trouvé une corrélation entre la densité des points de vente d'alcool dans une région et le nombre de tweets indiquant que quelqu'un boit maintenant. Cela soulève une question intéressante sur la façon dont la corrélation et la causalité sont liées dans ce cas. Une forte densité de points de vente d'alcool incite-t-elle les gens à boire davantage ? Ou les buveurs affluent-ils vers les zones à forte densité de points de vente d'alcool ? Bien entendu, ce type de données ne peut à lui seul répondre à cette question.

Cependant, la grande puissance de cette technique est qu'elle est peu coûteuse et rapide. En revanche, obtenir un aperçu similaire des habitudes de consommation par d'autres moyens est extrêmement coûteux et prend beaucoup de temps.

Il faudrait généralement que les personnes soient soigneusement sélectionnées, remplissent des questionnaires préparés à l'avance et que ceux-ci soient analysés en détail. L'approche de l'apprentissage automatique pourrait même surveiller cette activité en temps réel. Nos résultats démontrent que les tweets peuvent fournir des indices puissants et précis des activités en cours dans les villes, disent-ils.

Il y a des mises en garde bien sûr. Il y a un biais évident dans les données recueillies sur Twitter puisque les jeunes et certaines minorités sont surreprésentés. Mais des biais similaires sont présents dans d'autres méthodes de collecte de données - par exemple, les enquêtes ont tendance à sous-représenter les personnes qui ne veulent pas remplir des enquêtes, comme certains immigrants. L'identification et le traitement des biais constituent une partie importante de toutes les méthodes de collecte de données.

Hossain et co ont de grands projets pour leur technique. À l'avenir, ils veulent étudier comment la consommation d'alcool varie avec l'âge, le sexe, l'ethnie, etc. comment différents environnements influencent la consommation d'alcool et les tweets, tels que les maisons d'amis, le stade, le parc, etc. ; et pour comparer le rythme auquel les buveurs entrent et sortent des quartiers adjacents.

L'aspect social de Twitter sera également utile. Nous pouvons explorer le réseau social des buveurs pour découvrir comment les interactions sociales et la pression des pairs dans les médias sociaux influencent la tendance à faire référence à la consommation d'alcool, disent Hossain et co.

Tout cela pourrait aider à éclairer le débat sur les aspects liés à la santé de l'alcool, qui est la troisième cause de décès évitable aux États-Unis. C'est 75 000 décès que l'alcool provoque chaque année - un nombre qui met l'importance de ce travail en perspective par rapport aux épreuves et aux tribulations de la vie amoureuse.

Réf : arxiv.org/abs/1603.03181  : Déduire des détails précis sur les activités de l'utilisateur et l'emplacement du domicile à partir des médias sociaux : détecter les habitudes de consommation d'alcool tout en tweetant dans les communautés

cacher