نظرکاوی نظام سلامت با رویکرد تحلیل گراف شبکه‌های اجتماعی

Abstract

گسترش شبکه‌های اجتماعی فرصت مهمی برای بررسی دیدگاه‌های عمومی در نظام سلامت فراهم کرده است. این مقاله مدلی گراف‌محور ارائه می‌دهد که تحلیل احساسات کاربران شبکه‌های اجتماعی را با ساختار روابط آن‌ها ترکیب می‌کند تا بتوان روند انتشار نظرات، کاربران تأثیرگذار و جوامع گفتگو را به صورت عمیق‌تر شناسایی کرد. داده‌ها از پلتفرم‌هایی مانند توییتر جمع‌آوری شده و موضوعات کلیدی نظام سلامت مانند واکسیناسیون و بیماری‌های مزمن مورد توجه قرار گرفته‌اند. مدل نظرکاوی با استفاده از پیش‌آموزش BERT و روش‏‌های stance detection، احساسات مثبت، منفی و خنثی را تشخیص می‌دهد. به موازات آن، گراف روابط کاربران بر اساس تعامل‌هایی مثل منشن، کامنت و ریتوییت ساخته می‌شود و از embeddingهای ساختاری گراف و شاخص‌هایی مانند مرکزیّت و تشخیص جامعه استفاده می‌شود. با ترکیب ویژگی‌های متنی و گرافی، مدل نهایی قادر است کاربران تأثیرگذار را شناسایی کرده و مسیرهای اصلی انتشار نظرات منفی را با دقت بیشتری ردیابی کند. بر اساس مقایسه با مدل‌های صرفاً متنی مشابه از مطالعات «Graph Embedding Approaches for Social Media Sentiment Classification» که در آن F1-score حدود ۸۵٪ گزارش شده است [1] و مطالعه «Opinion-Enhanced Hybrid BERT Model for Mental Health Classification» با دقت و F1 نزدیک ۸۲-۸۳٪ [2]، مدل پیشنهادی ما بازدهی F1 تقریباً ۸۵-۹۰٪ پیش‌بینی می‌شود. این روش می‌تواند به سیاست‌گذاران سلامت کمک کند واکنش عمومی را در زمان واقعی پایش کرده و استراتژی‌های اطلاع‌رسانی مؤثرتری تدوین نمایند.