Твиттер машина: This browser is no longer supported.

Содержание

Худайбердиева: «Команда Медведевой кричала нам: «Красная машина» — проколотая шина». Люди в твиттере негодовали» - 10 февраля 2021

Российская фигуристка Елизавета Худайбердиева, выступающая в танцах на льду с Егором Базиным, в интервью Sport24 рассказала о «баттле» кричалок во время командного турнира Кубок Первого канала.

Худайбердиева с Базиным входили в состав команды «Красная машина», капитаном которой была олимпийская чемпионка Алина Загитова. Им противостояла «Время первых», возглавляемая серебряным призером Игр Евгенией Медведевой.

— Очень круто получилось, когда вы скандировали кричалки вместе с болельщиками. Это было спонтанно?
— Это было в первый день. Болельщики кричали «красная машина, красная машина», мы вместе с ними. Потом они крикнули «красная», мы продолжили «машина». Они показывали на нас, и мы поняли, что от нас хотят.

Мы взаимодействовали больше с нашей трибуной отчасти потому, что были как хоккейная команда. Я не говорю, что мы круче, но нам было проще, потому что все кричалки было проще придумать. Это очень заряжает. Мы водили хороводы вокруг ребят, которые откатали, кричали, стучали клюшками, ногами.

— В трансляции был момент, где кричали «красная машина — проколотая шина». Вы слышали это? Это была другая команда?
— Да, это была команда синих. В нашей команде был Дима Алиев, у которого очень хорошо получается придумывать рифму на ходу. Ребята кричали «красная машина — проколотая шина», мы кричали «Космос-космос, погоди, скоро будем впереди».

Мы же поэтому и поделились на две команды, чтобы соперничать. Люди в твиттере взорвались от негодования: «Да как они смеют кричать так?!» Но это же утренник, мы же защищаем свою команду. Это нормально, никто не обиделся. Наоборот, мы подумали: «Это вызов? Дима, придумывай».
Кубок Первого канала прошел впервые в истории в московском ДС «Мегаспорт» 5–7 февраля. Команда Загитовой одержала победу над командой Медведевой, набрав в сумме на 28,74 балла больше.

Самые быстрые новости — в телеграм-канале Срочный спорт

Турция назвала Twitter пропагандистской машиной

https://ria.ru/20200612/1572865850.html

Турция назвала Twitter пропагандистской машиной

Турция назвала Twitter пропагандистской машиной - РИА Новости, 12.06.2020

Турция назвала Twitter пропагандистской машиной

Анкара обвинила социальную сеть Twitter в том, что она является пропагандистской машиной, после блокировки более 7 тысяч учетных записей из Турции. РИА Новости, 12.06.2020

2020-06-12T19:01

2020-06-12T19:01

2020-06-12T19:02

китай

турция

twitter

в мире

/html/head/meta[@name='og:title']/@content

/html/head/meta[@name='og:description']/@content

https://cdn23.img.ria.ru/images/150047/52/1500475249_0:104:3500:2073_1920x0_80_0_0_2f1449b4af8db96a3ffdd4f33e607abe.jpg

АНКАРА, 12 июн – РИА Новости. Анкара обвинила социальную сеть Twitter в том, что она является пропагандистской машиной, после блокировки более 7 тысяч учетных записей из Турции.Ранее стало известно, что Twitter заблокировал и внес в реестр предполагаемых пропагандистских сайтов более 32 тысяч учетных записей из КНР, России и Турции."Это еще раз продемонстрировало, что Twitter - не просто социальная медиа-компания, а пропагандистская машина с определенными политическими и идеологическими наклонностями", - говорится в заявлении главы департамента коммуникаций администрации президента Турции Фахреттина Алтуна.По его словам, утверждения о том, что это были поддельные учетные записи, предназначенные для поддержки президента Турции Тайипа Эрдогана и находившиеся под контролем турецких властей, не соответствуют действительности."Мы хотели бы напомнить компании о возможной судьбе ряда организаций, которые пытались предпринять подобные шаги в прошлом", - заявил Алтун.Ранее в течение 2,5 лет в Турции была заблокирована интернет-энциклопедия Wikipedia. Министерство транспорта и связи Турции объясняло блокировку в апреле 2017 года тем, что Wikipedia "вместо вклада в борьбу с терроризмом стала частью кампании по очернению имиджа Турции на международной арене", в частности отказалась удалить тексты "о неких связях Анкары с террористическими организациями". Wikipedia была разблокирована на основании решения Конституционного суда Турции в январе 2020 года.В марте 2014 года в Турции была введена временная блокировка YouTube и Twitter в связи с размещением на них материалов, связанных с коррупционным скандалом в высших эшелонах власти. Блокировка была отменена позже по решению Конституционного суда Турции, который признал "неконституционной" блокировку сайтов без решения суда.

https://ria.ru/20200605/1572546617.html

https://radiosputnik.ria.ru/20200526/1572000031.html

китай

турция

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

2020

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

Новости

ru-RU

https://ria.ru/docs/about/copyright.html

https://xn--c1acbl2abdlkab1og.xn--p1ai/

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

https://cdn21.img.ria.ru/images/150047/52/1500475249_300:0:3201:2176_1920x0_80_0_0_fbdb5011ce546577f58b7b77be12cd62.jpg

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

китай, турция, twitter, в мире

АНКАРА, 12 июн – РИА Новости.
Анкара обвинила социальную сеть Twitter в том, что она является пропагандистской машиной, после блокировки более 7 тысяч учетных записей из Турции.Ранее стало известно, что Twitter заблокировал и внес в реестр предполагаемых пропагандистских сайтов более 32 тысяч учетных записей из КНР, России и Турции.

"Это еще раз продемонстрировало, что Twitter - не просто социальная медиа-компания, а пропагандистская машина с определенными политическими и идеологическими наклонностями", - говорится в заявлении главы департамента коммуникаций администрации президента Турции Фахреттина Алтуна.

По его словам, утверждения о том, что это были поддельные учетные записи, предназначенные для поддержки президента Турции Тайипа Эрдогана и находившиеся под контролем турецких властей, не соответствуют действительности.

5 июня 2020, 21:16

Twitter заблокировал видео Трампа о протестах

"Мы хотели бы напомнить компании о возможной судьбе ряда организаций, которые пытались предпринять подобные шаги в прошлом", - заявил Алтун.

Ранее в течение 2,5 лет в Турции была заблокирована интернет-энциклопедия Wikipedia. Министерство транспорта и связи Турции объясняло блокировку в апреле 2017 года тем, что Wikipedia "вместо вклада в борьбу с терроризмом стала частью кампании по очернению имиджа Турции на международной арене", в частности отказалась удалить тексты "о неких связях Анкары с террористическими организациями". Wikipedia была разблокирована на основании решения Конституционного суда Турции в январе 2020 года.В марте 2014 года в Турции была введена временная блокировка YouTube и Twitter в связи с размещением на них материалов, связанных с коррупционным скандалом в высших эшелонах власти. Блокировка была отменена позже по решению Конституционного суда Турции, который признал "неконституционной" блокировку сайтов без решения суда.

26 мая 2020, 12:51

"Без объяснений". Аккаунт посольства Ирана в РФ в Twitter заблокировали

Пять человек погибли при столкновении более 100 машин в Техасе :: Общество :: РБК

Причиной аварии стало обледенение дороги, заявили в полиции. В больницы из-за массового ДТП попали более 30 человек

Фото: Glen E.Ellman / FWFD / Twitter

Не менее пяти человек погибли в аварии в северо-восточной части штата Техас на автомагистрали в городе Форт-Уэрт, сообщили в пожарной службе города в Twitter.

«В ДТП столкнулись не менее 100 машин, пять погибших, 36 человек доставлены в местные больницы», — говорится в сообщении.

Причиной аварии стало обледенение дороги, сообщили в полиции, передает CNN. Трассу, на которой произошло массовое ДТП, перекрыли в обоих направлениях.

Позднее в полиции сообщили, что число погибших в результате ДТП увеличилось до шести, пишет CNN. По данным телеканала NBC, крупные аварии из-за погодных условий произошли и в других частях штата. В них погибли еще не менее трех человек.

Утром 11 февраля в Остине, примерно в 180 милях к югу от Форт-Уэрта, пять человек были доставлены в больницы из-за столкновения 26 автомобилей, сообщал департамент неотложной медицинской помощи округа Остин-Трэвис.

Читайте на РБК Pro

Twitter удалил сообщение посольства Китая в США о том, что уйгурские женщины больше не «машины для производства детей» Статьи редакции

{"id":734,"title":"\u0412\u043e\u0437\u043c\u043e\u0436\u043d\u044b \u043b\u0438 \u0440\u043e\u043c\u0430\u043d\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435 \u043e\u0442\u043d\u043e\u0448\u0435\u043d\u0438\u044f \u0432 \u043a\u043e\u0441\u043c\u043e\u0441\u0435","url":"\/redirect?component=advertising&id=734&url=https:\/\/vc.ru\/promo\/259126-open-talk&hash=fec332d96351537fb9302c3be12200b6afa110f6576560c55c0b83e05d1505b7","isPaidAndBannersEnabled":false}

В соцсети посчитали, что пост нарушает её правила.

11 465 просмотров

Twitter удалил пост посольства Китая в США, в котором утверждалось, что уйгурские женщины «освободили свой разум» благодаря политике, проводимой в Синьцзяне. В твите утверждалось, что они стали «более уверенными и независимыми» из-за того, что им «продвинули» «репродуктивное здоровье», пишет Би-би-си.

Сообщение было связано со статьёй государственной газеты China Daily, опровергающей утверждения о принудительной стерилизации в Синьцзяне. В ней утверждается, что женщины больше не являются «машинами для производства детей» из-за действий, направленных на искоренение религиозного экстремизма. В материале также упоминается отчёт Исследовательского центра развития Синьцзяна, в котором говорится, что «изменения не были вызваны принудительной стерилизацией уйгурского населения, о которой неоднократно заявляли некоторые западные учёные и политики». Twitter заявил, что сообщение нарушает правила компании, но не предоставил дополнительных подробностей.

Twitter deleted the tweet by the Chinese embassy in the US that boasted of their regime’s genocide and trauma-inducing program on Uyghur women that included forced abortions, sterilizations, and IUDs. https://t.co/eKsBtrmAa6

140

249

Уйгуры — мусульманское меньшинство, проживающее большей частью в Синьцзян-Уйгурском автономном районе Китая. С 2018 года в СМИ начали появляться доклады о притеснениях этой этнической группы со стороны китайских властей. В исследовании антрополога Адриана Зенца говорится, что уйгуркам и женщинам из других этнических меньшинств угрожали интернированием в лагеря за отказ прерывать беременность, принудительно устанавливали внутриматочные спирали и отправляли на операции по стерилизации.

Согласно действующим правилам, семьям в Китае разрешено иметь до двух детей, в некоторых сельских районах — до трёх. Согласно данным Зенца, в последние годы естественный прирост населения в Синьцзяне резко снизился. В двух крупнейших уйгурских префектурах в период с 2015 по 2018 год темпы прироста упали на 84%.

После публикации этого доклада госсекретарь США Майк Помпео призвал «все страны присоединиться к Соединённым Штатам и потребовать положить конец этой бесчеловечной практике». Китай тогда заявил, что обвинения безосновательны и содержат скрытые мотивы.

{ "author_name": "Ольга Щербинина", "author_type": "editor", "tags": ["\u043d\u043e\u0432\u043e\u0441\u0442\u0438","\u043a\u0438\u0442\u0430\u0439","twitter"], "comments": 120, "likes": 53, "favorites": 13, "is_advertisement": false, "subsite_label": "internet", "id": 321269, "is_wide": false, "is_ugc": false, "date": "Mon, 11 Jan 2021 10:55:19 +0300", "is_special": false }

{"id":301097,"url":"https:\/\/tjournal.ru\/u\/301097-olga-shcherbinina","name":"\u041e\u043b\u044c\u0433\u0430 \u0429\u0435\u0440\u0431\u0438\u043d\u0438\u043d\u0430","avatar":"05c7de4a-4760-5087-955c-d3eeeea923b5","karma":135228,"description":"\u043d\u043e \u0435\u0441\u0442\u044c \u0438 \u0445\u043e\u0440\u043e\u0448\u0438\u0435 \u043d\u043e\u0432\u043e\u0441\u0442\u0438?","isMe":false,"isPlus":true,"isVerified":false,"isSubscribed":false,"isNotificationsEnabled":false,"isShowMessengerButton":false}

{"url":"https:\/\/booster.osnova.io\/a\/relevant?site=tj","place":"entry","site":"tj","settings":{"modes":{"externalLink":{"buttonLabels":["\u0423\u0437\u043d\u0430\u0442\u044c","\u0427\u0438\u0442\u0430\u0442\u044c","\u041d\u0430\u0447\u0430\u0442\u044c","\u0417\u0430\u043a\u0430\u0437\u0430\u0442\u044c","\u041a\u0443\u043f\u0438\u0442\u044c","\u041f\u043e\u043b\u0443\u0447\u0438\u0442\u044c","\u0421\u043a\u0430\u0447\u0430\u0442\u044c","\u041f\u0435\u0440\u0435\u0439\u0442\u0438"]}},"deviceList":{"desktop":"\u0414\u0435\u0441\u043a\u0442\u043e\u043f","smartphone":"\u0421\u043c\u0430\u0440\u0442\u0444\u043e\u043d\u044b","tablet":"\u041f\u043b\u0430\u043d\u0448\u0435\u0442\u044b"}},"isModerator":false}

Еженедельная рассылка

Одно письмо с лучшим за неделю

Проверьте почту

Отправили письмо для подтверждения

Путина попросили разобраться с законопроектом о такси

15:57 Сен. 10, 2015 4968 1

Фото «Россия сегодня»

Письмо президенту направил общероссийский профсоюз работников общественного транспорта «Таксист».

Водители требуют, чтобы законопроектом о такси занимался Комитет Госдумы по транспорту, а не автор инициативы, депутат Вячеслав Лысаков.

Политик игнорирует поправки таксомоторных компаний, а его работа над документом неудовлетворительна, заявил радиостанции «Говорит Москва» замруководителя профсоюза «Таксист» Андрей Попков.

«Мы совместно с профессиональным сообществом: с теми, кто обременен автомобилями и активами, в отличие от диспетчерских служб, подготовили свои поправки, и они были отклонены Лысаковым. Мы требуем, чтобы Лысаков был отстранён, а такси занимался профильный  комитет Госдумы», - сказал Попков.

Члены профсоюза просят прописать в новом законе ответственность диспетчерских служб и приложений наравне с другими участниками перевозок. «Потому что они на сегодняшний день выступают организаторами перевозок, назначают и диктуют всем тарифную политику, не неся никакой ответственности. Этому нужно положить конец», - уверен Попков.

7 сентября таксисты провели митинг на Суворовской площади в Москве, по итогам которого была принята резолюция. В ней перевозчики требовали разъяснить механизмы регулирования деятельности мобильных агрегаторов, проверить партнерство Сбербанка и Uber, а также повысить тарифы на проезд в такси. В профсоюзе «Таксист» пообещали и дальше выводить людей на акции протеста, пока их проблемы не будут решены.

В Ростове рабочая неделя начнётся с отключений света

В Ростове после праздничных выходных с связи с с ремонтом оборудования ожидается очередная волна отключений света, сообщает «Донэнерго».

Так, во вторник, 13 июня с 9:00 до 12:30 без света останутся:

— Университетский 70/81,127;

— Тельмана 86, 100, 102, 105;

— Кировский 96-106, 63-67;

— Красноармейская 107-125;

— Города Волос 70, 73-97

В этот же день с 9:00 до 17:00 электричества не будет по следующим адресам:

— Социалистическая 185-189, 188-198;

— Петровская 59-73, 84-98;

— Крепостной 35-64, 33-59;

— Соборный 98 (СКВО) 9 -18;

— Подъездная 55;

— Зерноградская 8-12, 31-41;

— Тибетская 2-4, 92-102;

— Скифская 55;

— 6-й Автосборочный 1-3, 4-6;

— Кржижановского 237-265, 254-282;

— Солидарности 236-264, 279-305;

— Детская 248-272, 267-293;

— Книжная 213-235, 248-270;

— Днепродзержинский 1-83, 2-110;

— Одоевский 1-15, 2-18;

— Багаевский 7-25, 2-34;

— Таллинский 1-37, 2-34;

— Руднева 2-52, 1-57;

— Коновалова 1-23, 2-20;

— Татарская 22-50, 19-47;

— Дербентский 1-11, 2-14;

— 1-я Киргизская 114-124, 85-89;

— 2-я Киргизская 84, 85;

— Суржский 1-31, 2-36;

— Клязьминский 1-33, 10-30;

— Тверской 21-35, 26-36;

— Ладожский 27-39, 26-34;

— Свирский 23-31, 20-38;

— Белорусская 113-145;

— Балакирева 2 А, 2 Б, 2 В, 24-28;

— 2-я Баррикадная 1-43;

— Великолукская 2-26, 28-38;

— 1-я Кольцевая 8-34, 9-11;

— 2-я Кольцевая 2-4, 3-7;

— Отрадный 1-17, 2 А;

— Перовский 5-21, 6-16;

— Рабочая 25;

— Садоводческая 41-69, 24-54;

— Саврасова 125, 124;

— 1-я Грамши 33-55, 44-66;

— 2-я Грамши 72-98;

— Волжская 127-147, 138-156;

— Камская 127-167, 118-152;

— Мурманская 117-153, 126-164;

— Глинки 119-153, 122-152;

— Калужская 125-159, 96-126;

— Дундича 48-58;

— Можайская 53-77;

— Катаева 194-240, 231-271;

— Черепахина 156-202, 187-213;

— Братский 85-97, 100-116;

— Халтуринский 111-137, 170-190;

— Островского 129-141, 110-122.

14 июня с 9:00 до 17:00 будут обесточены:

— Авроры 1-25, 4-20;

— Амбулаторная 53-91;

— Декабристов 1-17;

— Луначарского 6-8;

— Маратовский 1-5, 2-10;

— Новосибирский 1-19, 2-26;

— Осовиахимовский 1-7, 2-8;

— Перекопская 1-19, 2-22;

— Поповского 1-25, 2-34;

— Портовая 87-97;

— Рабочий 1-13, 2-14;

— Самошкина 1-29, 10-38;

— 3-я Баррикадная 24;

— Калинина 1-25, 2-40, 25 Б, 26 А/90, 9, 27 А, 32 А, 33-41, 42-46;

— 2-я Кольцевая 76-102, 81-111;

— 3-я Кольцевая 60-92, 77-103;

— 4-я Кольцевая 24-62, 41-59;

— 5-я Кольцевая 21-51, 32-58;

— 6-я Кольцевая 55-67;

— Мадояна 1-33;

— Рабочая 18-24;

— Лелюшенко 3, 3/1, 3/2, 5, 5/1, 5/2;

— Думенко 1/1, 1/2, 1/4, 1/5;

— 3-й Автосборочный 3-11, 2-10;

— Подъездная 55;

— Дранко 129;

— Мечникова 116, 118, 120, 120 В, 122, 124;

— Халтуринский 167, 169, 214.

Делягин: Владельцев квартир в Москве могут ждать серьезные трудности

В этом году россияне не только заплатят повышенный налог на имущество (если раньше его рассчитывали на основании данных БТИ, то теперь – на основе приближенной к рынку кадастровой стоимости), но и могут столкнуться с серьезными ошибками при оценке их квартир. Об этом в публикации в издании Труд.Ру предупредил известный экономист, руководитель Института проблем глобализации Михаил Делягин.

Возможные трудности экономист описал на примере жителей Москвы. По его словам, помимо других бюрократических тонкостей, которые могут задеть интересы граждан, власти не учли и тот факт, что кадастровая оценка была завершена к осени 2014 года и гарантированно не отражает произошедшее после этого падение цен на недвижимость.

Однако, по его словам, представители Росреестра старательно игнорируют данную проблему. «Так, руководитель Росреестра по Москве Игорь Майданов на «Деловом завтраке» в редакции правительственной «Российской газеты» с ощутимой гордостью отмечал незначительное число обращений москвичей о пересмотре оценки кадастровой стоимости. При этом он не возражал на предположение журналистов, что, возможно, дело всего лишь в том, что москвичи просто еще не знают, как именно оценена их собственность, и пока не боятся возможных ошибок. А что же, тогда, простите, начнется, если москвичи увидят-таки цифры оценки, и они их не устроят? Кризис системы?!» - задается вопросом эксперт.

«На том же «завтраке» Игорь Майданов, насколько можно судить, указал путь разного рода мошенникам, заявив, что теперь любой человек может получить выписку о состоянии любой квартиры с полной историей переходов прав на нее, вообще не выходя из дома, через Интернет… Довольно странная открытость частной информации в век террористических и прочих угроз», - удивляется Делягин и делает вывод: похоже, речь не об осознанном стремлении к открытости данных, а о некомпетентности.

«Отвечая же на вопрос о возможных ошибках, неизбежных при погоне за излишней оперативностью, Игорь Майданов предлагает гражданам обращаться в суд, - продолжает эксперт. - И тут опять начинает работать «кадастровая схема»: кто грамотный и обеспеченный – тот после долгих мытарств в конце концов оспорит, а большинство, как всегда, останется в дураках».

«Принципиально важно, что заведомо порочный и издевательский по своей сути подход, по которому граждане России обязываются за свой счет, своими силами и с потерей своего времени исправлять ошибки, допущенные бюрократами, кажется абсолютно нормальным и естественным, как минимум, руководителю управления Росреестра по Москве Майданову, - пишет Делягин. – Возможно, ответ на вопрос о профессионализме ответственного чиновника кроется в его биографии? Она представляется не только интересной, но и знаковой. Окончив МГИМО в 1984 году, он долгих 22 года работал «на различных должностях по линии» МИДа (что бы это ни означало), пока в 2006 году не возглавил Департамент международного сотрудничества Минприроды. В 2009 году дорос до замминистра и в этом качестве пропагандировал систему добровольной экологической сертификации недвижимости – «Зеленые стандарты». Однако уже через два года по не указываемым в официальной биографии причинам ушел в коммерцию, где работал до 2014 года. Правда, увольнению его предшествовало вполне себе официальное "замечание" председателя правительства В.В. Путина "за ненадлежащую организацию работы по исполнению поручений президента Российской Федерации и правительства Российской Федерации в части разработки федеральной целевой программы, направленной на обеспечение охраны уникальной природной среды озера Байкал". Стало оно причиной увольнения или нет – не известно. В апреле 2014 года Майданов, имея опыт дипломата и эколога, возглавил ФГБУ «Федеральный научно-технический центр геодезии, картографии и инфраструктуры пространственных данных», в ноябре того же года стал заместителем руководителя управления Росреестра по Москве, быстро стал и.о. руководителя и уже в феврале 2015 года - полноправным руководителем».

«Резкая смена сфер деятельности (причем весьма деликатных и требующих глубоких специальных знаний) производит впечатление классического «эффективного менеджера», готового взяться за любую работу и руководить едва ли не чем угодно, - лишь бы руководить», - полагает Делягин.

«Изложенное, имеющиеся сообщения о том, что уже во время его руководства управление Росреестра по Москве уличалось в незаконной регистрации, но избегало серьезной ответственности, а также рекламируемое Майдановым сокращение сроков регистрации собственности (и, соответственно, сроков проверки законности операций с ней) вызывают серьезные опасения в надежности защиты собственности москвичей «управленцем широкого профиля», - делает вывод эксперт.

Представляем нашу инициативу ответственного машинного обучения

Путь к ответственным, отзывчивым и управляемым сообществом системам машинного обучения (ML) - это совместный путь. Сегодня мы хотим больше рассказать о работе, которую мы проделали для улучшения наших алгоритмов машинного обучения в Twitter, и о нашем пути вперед в рамках общекорпоративной инициативы под названием Responsible ML.

Ответственный ML состоит из следующих столпов:

  • Ответственность за наши алгоритмические решения
  • Справедливость и справедливость результатов
  • Прозрачность наших решений и того, как мы к ним пришли
  • Возможности агентства и алгоритмический выбор

Ответственное использование технологий включает изучение эффектов, которые оно может иметь с течением времени.Когда Twitter использует ML, он может влиять на сотни миллионов твитов в день, а иногда способ, которым система была разработана для помощи, может начать вести себя иначе, чем предполагалось. Эти тонкие изменения могут затем начать влиять на людей, использующих Twitter, и мы хотим быть уверены, что изучаем эти изменения и используем их для создания лучшего продукта.

Кто участвует и какие действия мы предпринимаем

Сами по себе технические решения не устраняют потенциально вредные последствия алгоритмических решений.Наша рабочая группа по ответственному машинному обучению является междисциплинарной и состоит из людей со всей компании, включая технические, исследовательские группы, службы доверия и безопасности, а также продуктовые группы.

Руководит этой работой наша группа по этике, прозрачности и подотчетности машинного обучения (META): специальная группа инженеров, исследователей и специалистов по обработке данных, сотрудничающих в рамках всей компании, чтобы оценить последующий или текущий непреднамеренный вред в алгоритмах, которые мы используем, и помочь Twitter определить приоритеты проблемы, которые нужно решить в первую очередь.

Вот как мы подходим к этой инициативе:

Исследование и понимание влияния решений по машинному обучению. Мы проводим углубленный анализ и исследования, чтобы оценить наличие потенциального вреда в используемых нами алгоритмах. Вот некоторые аналитические материалы, к которым вы получите доступ в ближайшие месяцы:

  • Анализ гендерных и расовых предубеждений в нашем алгоритме кадрирования (важности) изображений
  • Оценка справедливости наших рекомендаций временной шкалы для всех расовых подгрупп
  • Анализ рекомендаций по содержанию для различных политических идеологий в семи странах
  • Применяя наши знания для улучшения Twitter. Наиболее эффективные применения ответственного машинного обучения появятся из того, как мы применяем наши знания для создания лучшего Twitter. Команда META работает над изучением того, как работают наши системы, и использует эти результаты, чтобы улучшить впечатления людей от Twitter. Это может привести к изменению нашего продукта, например к удалению алгоритма и предоставлению людям большего контроля над изображениями, которые они публикуют в Твиттере, или к новым стандартам в том, как мы разрабатываем и строим политики, когда они оказывают огромное влияние на одно конкретное сообщество.Результаты этой работы не всегда могут быть отражены в видимых изменениях продукта, но это приведет к повышению осведомленности и важным обсуждениям того, как мы создаем и применяем машинное обучение.

    Мы также создаем объяснимые решения машинного обучения, чтобы вы могли лучше понимать наши алгоритмы, то, что они информируют, и как они влияют на то, что вы видите в Твиттере. Точно так же алгоритмический выбор позволит людям иметь больший вклад и контроль при формировании того, чем они хотят, чтобы Twitter был для них. В настоящее время мы находимся на ранней стадии изучения этого вопроса и скоро расскажем об этом подробнее.

    Делимся своими знаниями и просим обратной связи. Как внутри, так и за пределами Твиттера мы будем делиться своими знаниями и передовым опытом, чтобы улучшить коллективное понимание этой темы в отрасли, помочь нам улучшить наш подход и привлечь нас к ответственности. Это может происходить в форме рецензируемых исследований, анализа данных, высокоуровневых описаний наших выводов или подходов и даже некоторых из наших безуспешных попыток решить эти возникающие проблемы. Мы продолжим тесно сотрудничать со сторонними академическими исследователями, чтобы определять способы улучшения нашей работы и поощрять их отзывы.

    Общественность играет решающую роль в формировании Twitter, и ResponsibleML не исключение. Отзывы общественности особенно важны, поскольку мы оцениваем беспристрастность и беспристрастность используемых нами автоматизированных систем. Когда люди, пользующиеся Twitter, принимают участие в процессе, принимаются более обоснованные решения, и мы стремимся создать больше возможностей для людей делиться своими мыслями о том, как ML используется в Twitter.

    Что дальше?

    Ответственное машинное обучение - долгий путь в первые дни своего существования.Мы хотим исследовать его в духе открытости с целью внести положительный вклад в сферу технологической этики. Если у вас есть какие-либо вопросы об ответственном машинном обучении или работе, которую выполняет META, не стесняйтесь задавать нам вопросы, используя #AskTwitterMETA. Если вы хотите помочь, присоединяйтесь к нам.

Этот твит недоступен

Twitter встречает TensorFlow

Машинное обучение позволяет Twitter стимулировать взаимодействие, отображать наиболее актуальный для наших пользователей контент и способствовать более здоровому общению.В рамках своей цели по продвижению ИИ для Twitter с соблюдением этических норм, Twitter Cortex является основной командой, отвечающей за содействие усилиям по машинному обучению в компании. Имея непосредственный опыт использования моделей машинного обучения в производственной среде, Cortex стремится оптимизировать сложные процессы машинного обучения, позволяя инженерам сосредоточиться на моделировании, экспериментах и ​​взаимодействии с пользователем. Наша миссия - дать возможность внутренним командам эффективно использовать искусственный интеллект, предоставляя платформу и объединяя, обучая и продвигая современные технологии машинного обучения в Twitter.Действительно, Cortex - это команда Twitter по разработке платформы машинного обучения.

В этом сообщении блога мы обсудим историю, эволюцию и будущее нашей инфраструктуры моделирования / тестирования / обслуживания, внутренне именуемой Deepbird, применение машинного обучения к данным Twitter, а также проблемы обслуживания машинного обучения в производственных условиях. Действительно, Twitter обрабатывает большие объемы данных и пользовательские форматы данных. Twitter имеет определенный стек инфраструктуры, ограничения задержки и большой объем запросов.

Платформа ML Twitter включает в себя инструменты машинного обучения и услуги, которые Cortex предоставляет для выполнения нашей миссии.Платформа машинного обучения предоставляет инструменты, которые охватывают весь спектр машинного обучения, от подготовки наборов данных до экспериментов и развертывания моделей в производственной среде. Тема этого сообщения в блоге - только один из компонентов этой платформы: внутренне обозначенный как DeepBird. Эта структура предназначена для обучения и создания моделей глубокого обучения. Реализовано с использованием Python, TensorFlow (v2), Lua Torch (v1). С лета 2017 года фреймворк претерпел различные изменения, и мы хотели поделиться здесь своим опытом.

Twitter приобрел Madbits в 2014 году, чтобы использовать собственные знания в области глубокого обучения. После успешного применения этой технологии для лучшего понимания содержимого изображений в середине 2015 года команда стала Cortex. Cortex росла за счет интеграции людей из других команд и других приобретений. Первоначальная миссия заключалась в том, чтобы усовершенствовать и преобразовать продукт Twitter с помощью новейших возможностей искусственного интеллекта. Начиная с середины 2016 года, цели команды сместились в сторону унификации и улучшения использования ИИ для всех инженеров Twitter, то есть создания платформы «машинного обучения».В этом контексте DeepBird (основанный на Lua Torch) стал первым проектом, получившим широкое внутреннее признание, что привело к значительному увеличению продаж продукта. Некоторые из этих достижений описаны в разделе «Использование глубокого обучения в масштабе» на временной шкале Twitter. Позднее Cortex расширилась за счет интеграции других участников компании и других приобретений, таких как TellApart, Gnip и Magic Pony.

DeepBird - это комплексное решение для обучения и масштабного обслуживания моделей глубокого обучения. Чтобы упростить переход от существующей внутренней инфраструктуры машинного обучения, которая использовала файлы конфигурации YAML, ее конфигурации также были написаны на YAML.Ожидалось, что данные будут закодированы во внутреннем формате DataRecord, который удобно обрабатывает разреженную конфигурацию функций.

Летом 2017 года, учитывая миграцию сообщества Torch с Lua на Python через PyTorch и последующее сокращение поддержки Lua Torch, Cortex начала оценивать альтернативы Lua Torch. После тщательного изучения первопроходцев PyTorch и TensorFlow, мы решили перенести DeepBird на последний. Основным решающим фактором было то, что TensorFlow имел гораздо лучшую поддержку для обслуживания моделей в производственной среде.

Этот твит недоступен

В отличие от Lua Torch, TensorFlow никуда не денется. Он поддерживает HDFS из коробки, имеет много документации и большое сообщество. Во время экспериментов метрики модели можно легко визуализировать с помощью TensorBoard. Эти аспекты также были вескими аргументами в пользу TensorFlow.

С тех пор Cortex работает над миграцией DeepBird с Lua Torch на TensorFlow.Мы также решили отказаться от YAML, который также использовался для абстрагирования от Lua. Эта версия 2 DeepBird по-прежнему предполагает, что большая часть данных будет храниться в формате DataRecord, но обучающие скрипты теперь написаны на Python с использованием комбинации TensorFlow и наших собственных расширений DeepBird.

Обучение с DeepBird v2 в Twitter никогда не было таким простым. Обычно любой рабочий процесс моделирования включает следующие шаги:

1) Сформулируйте задачу машинного обучения: что мы оптимизируем, каковы входные данные и функции?

2) Подготовьте наборы данных

3) Определите модель, подходящую для задачи;

4) Напишите обучающий сценарий для оптимизации модели и оценки ее на разных наборах данных;

5) Определите гиперпараметры и запустите скрипт на Aurora Mesos; и наконец

6) Повторяйте шаги с 3 по 5, пока не получите желаемый результат.

v2 предоставляет простой пользовательский интерфейс для настройки своих моделей до получения желаемых результатов. С помощью DataRecordTrainer, который инкапсулирует tf.estimator.Estimator, мы можем решить большинство случаев использования Twitter. Это обучение поддерживает наборы данных DataRecord, сжатые в формате LZO.

Что такое запись данных

Формат данных

Twitter - это DataRecord. Он имеет долгую историю использования для задач машинного обучения в Twitter. DeepBird v2 распознает данные, сохраненные в этом формате.Ниже представлена ​​экономичная структура DataRecord:

.

Этот твит недоступен

DataRecords изначально были реализованы как способ удобного хранения различных комбинаций разреженных и плотных функций в единой унифицированной структуре. С тех пор он эволюционировал для поддержки более современных функций, таких как тензоры и капли.

Чтобы использовать DeepBird v2 для обработки DataRecords, DataRecordTrainer может быть инициализирован с помощью build_graph для определения модели.Простая бинарная логистическая регрессия будет выглядеть так:

Этот твит недоступен

Этот твит недоступен

Функция build_graph используется в трех режимах: обучение, оценка и прогнозирование. Они соответственно представлены ниже:

Этот твит недоступен

API тренера и оценщика предоставляют средства для настройки каждого режима графика с различными функциями input_fn, metric_fn, serve_input_receiver_fn и export_output_fn.Последний график используется в производстве. Как и все остальное в Twitter, производственные модели обслуживаются как микросервисы. Сервисы машинного обучения реализуют API прогнозирования, который был определен много лет назад устаревшими фреймворками машинного обучения. API прогнозирования прост. Клиент отправляет PredictionRequest, и служба отвечает через PredictionResponse. Оба являются объектами Thrift, которые инкапсулируют один или несколько DataRecords.

Как только модель определена, мы можем передать build_graph в DataRecord API для обучения нашей модели:

Этот твит недоступен

Модели можно отслеживать через TensorBoard, чтобы видеть желаемые показатели в режиме реального времени:

Этот твит недоступен

Кроме того, модели можно отслеживать с помощью нашего внутреннего инструмента: Model Repo.Цель Model Repo - уменьшить трение при разработке, развертывании, обслуживании и доработке моделей. Этот инструмент, как показано на изображении ниже, дополняет Tensorboard, так как предоставляет возможность визуализировать гиперпараметры и легко сравнивать результаты нескольких запусков.

Этот твит недоступен

После фазы экспериментов модель готова к экспорту для прогнозирования.Обычно экспортированная модель позже будет использоваться в производственной среде. После обучения и сохранения модели на диск среда выполнения DeepBird позволяет командам представить ее как эффективную сетевую службу, совместимую с API Twitter ML Thrift.

Кто пользуется DeepBird?

DeepBird используется исследователями, инженерами и аналитиками данных Twitter. Уровень теории и технологий машинного обучения варьируется от новичка до эксперта. Не у всех есть докторская степень в области машинного обучения, но, опять же, некоторые имеют.Наша цель - удовлетворить большинство пользователей со всем спектром знаний машинного обучения.

Этот твит недоступен

Как обсуждалось ранее, одним из клиентов, которые извлекают выгоду из моделей глубокого обучения, является Timelines Quality. Их основная цель - обеспечить отображение наиболее релевантных твитов для пользователей Twitter. Их модели обучаются на терабайтах данных и используют множество этапов обучения и калибровки, в том числе:

  • Дискретность функций;
  • Тренировка многослойного персептрона; и
  • Изотоническая калибровка выхода.

Чтобы поддержать их переход на DeepBird v2, нам потребовалась поддержка такого многоэтапного обучения. DataRecordTrainer поддерживает это из коробки.

Прежде чем принять решение о переходе на v2, мы проанализировали различные альтернативы обслуживания моделей, включая обслуживание TensorFlow. Мы решили создать нашу систему обслуживания, поскольку TensorFlow Serving не предназначен для взаимодействия со стеком Twitter (Mesos / Aurora / Finagle).

Этот твит недоступен

Этот твит недоступен

Подпись: График использования ЦП Aurora Mesos для приложения DeepBird.

Переход к версии 2 включал несколько этапов, в том числе:

  • Тестирование производственных серверов.

Проверка правильности вывода и измерение задержки прогнозирования с использованием темного трафика от производственных сервисов.

Обеспечение стабильности сервиса вывода и эффективного использования ресурсов при высоких нагрузках.

  • Вывод Matching v1 (наша предыдущая платформа машинного обучения) и обучение на существующих производственных моделях.

Возможность загружать тензоры из v1 в v2 позволила нам сертифицировать правильность компонентов v2.Многие из наших модульных тестов имеют встроенные тесты на корректность.

  • Написание документации и руководств, которые помогут пользователям перейти на новую платформу.
  • Оптимизация узких мест, таких как градиентный спуск на разреженных тензорах, изотоническая калибровка и загрузка данных HDFS.

Интеграция версии 2 с нашей инфраструктурой наблюдения позволила нам надежно контролировать наши сервисы, как показано ниже:

Этот твит недоступен

API DeepBird v2 перешел в стабильное состояние после четверти, проведенной в бета-версии.За это время мы многое узнали о тонкостях API-интерфейса TensorFlow Estimator. Мы приложили немало усилий, пытаясь использовать его в нестандартных случаях использования (например, при многоэтапном обучении). Таким образом, мы смогли упростить, консолидировать и расширить API-интерфейс оценщика в наш собственный API-интерфейс тренера.

С какими проблемами столкнулась Cortex?

Путь к DeepBird v2 не обошелся без проблем. За последний год мы столкнулись и решили приличное количество узких мест в производительности и других проблем.Некоторые из этих проблем описаны здесь:

  • Медленность при обратном распространении разреженных тензоров.
  • Механизм потоковой передачи наборов данных в HDFS.
  • Оптимизация тензорного потока для внутреннего стека Twitter
  • Скудная документация по реализации пользовательских C ++ OpKernels

В конечном итоге мы хотели бы демократизировать версию 2 внутри Twitter. Конкретно это означало понимание и упрощение API-интерфейса оценщика для инженеров и специалистов по обработке данных, а также обеспечение надлежащего уровня документации, руководств, примеров и модульных тестов.Наша цель - сделать версию 2 простой для понимания инженерами и специалистами по данным.

Удар

Мы уже видим влияние использования DeepBird v2 в Twitter. С его помощью мы можем достичь:

  • Повышение производительности труда инженеров: с помощью тензорной доски и внутренних инструментов визуализации (например, Model Repo) инженеры могут легко наблюдать сходимость моделей и корректировать их для получения лучших результатов.
  • Упрощенный доступ к машинному обучению: версия 2 предоставляет, среди множества функций, упрощенные и готовые обучающие программы, легкую интеграцию со стеком технологий Twitter, настраиваемые показатели.Все это позволяет большему количеству инженеров экспериментировать с машинным обучением в своих командах.
  • Лучшая производительность вывода. Наши тесты производительности вывода показывают, что при компиляции для общей архитектуры x86-64 версия v2 работает лучше, чем ее предшественники.
  • Улучшение показателей модели: простота использования и оптимизация версии 2 уже позволили некоторым командам Twitter улучшить показатели.

Это очень интересные новости для нашей команды; и мы с нетерпением ждем возможности увидеть, какие еще преимущества v2 принесет Twitter в будущем.

В дальнейшем мы продолжим работу над DeepBird v2. В ближайшие месяцы мы планируем добавить поддержку, чтобы модели на этой новой платформе могли обучаться на кластерах графических процессоров. Кроме того, мы также стремимся добавить поддержку онлайн, а также распределенного обучения в v2. Мы уверены, что v2 - это будущее машинного обучения в Twitter.

В конечном итоге это должно помочь нам расширить использование машинного обучения в Twitter и предоставить нашим пользователям более качественные услуги.

Мы хотели бы поблагодарить Коваса Богуту и ​​Дэниела Хасегана за быстрое внедрение TensorFlow в Twitter.Большое спасибо команде Cortex Core Environment за инициирование анализа альтернатив, разработку проектной документации и интеграцию TensorFlow в стек Twitter: Йи Чжуан, Конрадо Миранда, Паван Яламанчили, Николас Леонард, Рикардо Сервера-Наварро, Сибеле Монтес Халас, Рухуа Цзян, Приянк Джайн и Бриак Маркатте. Почетная благодарность руководству за поддержку в этом начинании: Николас Кумчатски, Ян Педерсен и Сандип Панди. И, наконец, особая благодарность всем твикам, которые предоставили отзывы во время нашего бета-предложения.

Этот твит недоступен

The Twitter Machine: Reflections on Language (9780631169260): Смит, Нил: Книги

Эта уникальная книга представляет собой вводный обзор современной теоретической лингвистики, который может быть и доступным, и юмористическим, не жертвуя при этом какой-либо ученостью и пониманием.

В серии авторитетных виньеток Смит подчеркивает постоянную необходимость обращения к лингвистической теории, если мы хотим получить какое-либо реальное понимание феноменов языка.

Какими бы глубокими или тривиальными мы ни задавались вопросы, на которые мы пытаемся ответить - что именно нужно знать, чтобы считаться говорящим на каком-либо языке? Что означает отсутствие гласных в языке? Почему маленькие дети называют грузовики «леденцами»? Точно что с этим предложением не так? - нам нужно прибегнуть к теории даже для того, чтобы сделать их последовательными. В частности, автор утверждает, что мы можем найти решения наших головоломок и объяснения этих явлений, если мы используем, с одной стороны, теорию порождающей грамматики Хомского, а с другой - теорию релевантности Спербера и Вильсона.

Эта уникальная книга представляет собой вводный обзор современной теоретической лингвистики, который может быть и доступным, и юмористическим, не жертвуя при этом какой-либо ученостью и пониманием.

В серии авторитетных виньеток Смит подчеркивает постоянную необходимость обращения к лингвистической теории, если мы хотим получить какое-либо реальное понимание феноменов языка.

Какими бы глубокими или тривиальными мы ни задавались вопросы, на которые мы пытаемся ответить - что именно нужно знать, чтобы считаться говорящим на каком-либо языке? Что означает отсутствие гласных в языке? Почему маленькие дети называют грузовики «леденцами»? Точно что с этим предложением не так? - нам нужно прибегнуть к теории даже для того, чтобы сделать их последовательными.В частности, автор утверждает, что мы можем найти решения наших головоломок и объяснения этих явлений, если мы используем, с одной стороны, теорию порождающей грамматики Хомского, а с другой - теорию релевантности Спербера и Вильсона.

Об авторе

Нил Смит получил образование в Тринити-колледже в Кембридже и Университетском колледже Лондона, где получил степень доктора философии. в лингвистике для исследования, которое включало годовые полевые работы среди нупе в Нигерии.Он проводил дальнейшие исследования в MIT и UCLA, будучи стипендиатом Harkness Fellowship, а с 1972 года работает в UCL, где в настоящее время является профессором лингвистики. Он был председателем Ассоциации лингвистов Великобритании с 1980 по 1986 год. Женат, имеет двух сыновей.

Безопасность | Стеклянная дверь

Мы получаем подозрительную активность от вас или кого-то, кто пользуется вашей интернет-сетью. Подождите, пока мы подтвердим, что вы настоящий человек. Ваш контент появится в ближайшее время.Если вы продолжаете видеть это сообщение, напишите нам чтобы сообщить нам, что у вас возникли проблемы.

Nous aider à garder Glassdoor sécurisée

Nous avons reçu des activités suspectes venant de quelqu’un utilisant votre réseau internet. Подвеска Veuillez Patient que nous vérifions que vous êtes une vraie personne. Вотре содержание apparaîtra bientôt. Si vous continuez à voir ce message, veuillez envoyer un электронная почта à pour nous informer du désagrément.

Unterstützen Sie uns beim Schutz von Glassdoor

Wir haben einige verdächtige Aktivitäten von Ihnen oder von jemandem, der in ihrem Интернет-Netzwerk angemeldet ist, festgestellt.Bitte warten Sie, während wir überprüfen, ob Sie ein Mensch und kein Bot sind. Ihr Inhalt wird в Kürze angezeigt. Wenn Sie weiterhin diese Meldung erhalten, informieren Sie uns darüber bitte по электронной почте: .

We hebben verdachte activiteiten waargenomen op Glassdoor van iemand of iemand die uw internet netwerk deelt. Een momentje geduld totdat, мы выяснили, что u daadwerkelijk een persoon bent. Uw bijdrage zal spoedig te zien zijn. Als u deze melding blijft zien, электронная почта: om ons te laten weten dat uw проблема zich nog steeds voordoet.

Hemos estado detectando actividad sospechosa tuya o de alguien con quien compare tu red de Internet. Эспера mientras verificamos que eres una persona real. Tu contenido se mostrará en breve. Si Continúas recibiendo este mensaje, envía un correo electrónico a para informarnos de que tienes problemas.

Hemos estado percibiendo actividad sospechosa de ti o de alguien con quien compare tu red de Internet. Эспера mientras verificamos que eres una persona real.Tu contenido se mostrará en breve. Si Continúas recibiendo este mensaje, envía un correo electrónico a para hacernos saber que estás teniendo problemas.

Temos Recebido algumas atividades suspeitas de voiceê ou de alguém que esteja usando a mesma rede. Aguarde enquanto confirmamos que Você é Uma Pessoa de Verdade. Сеу контексто апаресера эм бреве. Caso продолжить Recebendo esta mensagem, envie um email para пункт нет informar sobre o проблема.

Abbiamo notato alcune attività sospette da parte tua o di una persona che condivide la tua rete Internet.Attendi mentre verifichiamo Che sei una persona reale. Il tuo contenuto verrà visualizzato a breve. Secontini visualizzare questo messaggio, invia un'e-mail all'indirizzo per informarci del проблема.

Пожалуйста, включите куки и перезагрузите страницу.

Это автоматический процесс. Ваш браузер в ближайшее время перенаправит вас на запрошенный контент.

Подождите до 5 секунд…

Перенаправление…

Заводское обозначение: CF-102 / 6625fbf3a8123a95.

Twitter описывает эволюционирующий подход к алгоритмам в рамках новой «Инициативы ответственного машинного обучения»

Удивительно, насколько обычным стал термин `` алгоритм '', когда машинное обучение, алгоритмически определяемые системы теперь используются для фильтрации информации для нас со все более эффективной скоростью, чтобы мы были вовлечены, продолжали кликать и удерживали нас. пролистывать ленты наших социальных сетей часами подряд.

Но алгоритмы также стали источником растущей озабоченности в последнее время, поскольку цели платформ, снабжающих нас такой информацией, часто противоречат более широким социальным целям расширения связей и сообщества. В самом деле, различные исследования показали, что более активное участие в Интернете привлекает контент, который вызывает сильную эмоциональную реакцию, причем гнев, например, является мощной движущей силой. Учитывая это, алгоритмы, намеренно или непреднамеренно, в основном построены для поддержки подразделения, благодаря более практической бизнес-цели максимизации взаимодействия.

Конечно, партизанские новости тоже играют роль, равно как и существующие предубеждения и разногласия. Но алгоритмы, возможно, настолько стимулировали нас, что такие подходы теперь в значительной степени определяют или, по крайней мере, влияют на все, что мы видим.

Если кажется, что мир разделен больше, чем когда-либо, возможно, это потому, что это так, и, скорее всего, из-за алгоритмов, которые, по сути, постоянно нас злят.

Каждая платформа изучает это, а также влияние алгоритмов в различных аспектах.И сегодня Twitter обрисовал в общих чертах свое последнее исследование в области алгоритмов, которое он называет своей «Инициативой по ответственному машинному обучению», которая будет отслеживать влияние алгоритмических сдвигов с целью устранения различных негативных элементов, включая предвзятость, из того, как он применяет системы машинного обучения. .

Как пояснил Twitter:

«Когда Twitter использует ML, он может влиять на сотни миллионов твитов в день, а иногда способ, которым система была спроектирована для помощи, может начать вести себя не так, как было задумано.Эти тонкие изменения могут затем начать влиять на людей, использующих Twitter, и мы хотим быть уверены, что изучаем эти изменения и используем их для создания лучшего продукта. "

Проект будет направлен на четыре основных направления:

  • Ответственность за наши алгоритмические решения
  • Справедливость и справедливость результатов
  • Прозрачность наших решений и способов их принятия
  • Обеспечение возможностей и алгоритмический выбор

В более широком смысле, анализируя эти элементы, Twitter сможет как максимизировать вовлеченность в соответствии со своими амбициозными целями роста, так и при этом учитывать и минимизировать потенциальный общественный вред.Это может привести к сложным конфликтам между двумя потоками - но Twitter надеется, что, установив более конкретное руководство относительно того, как он их применяет, он сможет создать более выгодную, инклюзивную платформу за счет более активного обучения и развития.

«Команда META работает над изучением того, как работают наши системы, и использует эти результаты для улучшения взаимодействия с людьми в Twitter. Это может привести к изменению нашего продукта, например к удалению алгоритма и предоставлению людям большего контроля над изображениями, которые они публикуют в Твиттере, или в новых стандартах о том, как мы разрабатываем и строим политики, когда они оказывают огромное влияние на одно конкретное сообщество."

Проект также будет включать амбициозную инициативу Twitter «BlueSky», которая по сути направлена ​​на то, чтобы дать пользователям возможность определять свои собственные алгоритмы в какой-то момент, а не руководствоваться всеобъемлющим набором правил для всей платформы.

«Мы также создаем объяснимые решения машинного обучения, чтобы вы могли лучше понимать наши алгоритмы, то, что им информирует, и как они влияют на то, что вы видите в Twitter. Аналогичным образом, выбор алгоритмов позволит людям иметь больше возможностей для ввода и контроля при формировании того, что они хочу, чтобы Twitter был для них.В настоящее время мы находимся на ранних этапах изучения этого вопроса и скоро расскажем о нем ».

Это гораздо более масштабный проект со сложностями, которые могут сделать его невозможным для повседневного применения или использования обычными людьми. Но идея состоит в том, что, исследуя определенные элементы, Twitter сможет сделать более информированный, разумный и справедливый выбор в отношении того, как он применяет свои правила и системы, определенные машиной.

Приятно видеть, что Twitter берет на себя этот элемент, даже несмотря на количество проблем, с которыми он столкнется, и, надеюсь, это поможет платформе отсеять некоторые из наиболее важных алгоритмических элементов и создать лучшую, более инклюзивную и менее спорную систему. .

Но у меня есть сомнения.

Желания идеалистов обычно всегда вступают в противоречие с требованиями акционеров, и кажется, что на определенном этапе такие расследования приведут к трудному выбору, который может пойти только так или иначе. Но все же это, вероятно, в более широком масштабе - возможно, решив хотя бы некоторые из этих аспектов, Twitter сможет построить лучшую систему, даже если она не идеальна.

По крайней мере, это даст больше информации о влиянии алгоритмов и о том, что это значит для социальных платформ в целом.

сообщений в Твиттере о вакцинации против COVID-19 среди австралийских пользователей Twitter: анализ машинного обучения

Задний план: COVID-19 - одна из величайших угроз для людей с точки зрения здравоохранения, экономики и общества в новейшей истории. До сих пор не было никаких признаков ремиссии, и нет доказанного эффективного лечения. Вакцинация - это основная биомедицинская профилактика нового коронавируса.Однако общественные предубеждения или настроения, отраженные в социальных сетях, могут существенно повлиять на прогресс в достижении коллективного иммунитета.

Цель: Это исследование было направлено на использование методов машинного обучения для извлечения тем и мнений, связанных с вакцинацией COVID-19 в Twitter.

Методы: В период с января по октябрь 2020 года мы собрали 31 100 английских твитов, содержащих ключевые слова, связанные с вакциной COVID-19, от австралийских пользователей Twitter.В частности, мы анализировали твиты, визуализируя высокочастотные облака слов и корреляции между токенами слов. Мы построили тематическую модель скрытого распределения Дирихле (LDA) для выявления часто обсуждаемых тем в большой выборке твитов. Мы также провели анализ настроений, чтобы понять общие настроения и эмоции, связанные с вакцинацией от COVID-19 в Австралии.

Полученные результаты: Наш анализ выявил 3 темы LDA: (1) отношение к COVID-19 и вакцинации против него, (2) поддержка мер инфекционного контроля против COVID-19 и (3) неправильные представления и жалобы относительно контроля COVID-19.Почти две трети всех твитов выражали положительное общественное мнение о вакцине COVID-19; около одной трети были отрицательными. Среди 8 основных эмоций доверие и предвкушение были двумя наиболее заметными положительными эмоциями, наблюдаемыми в твитах, а страх был главной отрицательной эмоцией.

Выводы: Наши результаты показывают, что некоторые пользователи Twitter в Австралии поддержали меры инфекционного контроля против COVID-19 и опровергли дезинформацию.Однако те, кто недооценил риски и серьезность COVID-19, возможно, рационализировали свою позицию в отношении вакцинации COVID-19 с помощью теорий заговора. Мы также заметили, что уровень положительных настроений среди населения может быть недостаточным для увеличения охвата вакцинацией до уровня, достаточно высокого для достижения индуцированного вакцинацией коллективного иммунитета. Правительствам следует изучить общественное мнение и настроения в отношении вакцинации против COVID-19 и COVID-19 и внедрить эффективную схему стимулирования вакцинации в дополнение к поддержке разработки и клинического применения вакцин против COVID-19.

Ключевые слова: COVID-19; Twitter; инфодемический; инфодемиология; информационное наблюдение; скрытое размещение Дирихле; машинное обучение; обработка естественного языка; общественные настроения; публичные темы; социальное слушание; социальные медиа; вакцинация.

Журнал медицинских интернет-исследований


Введение

По состоянию на середину сентября 2020 года было подтверждено 30 миллионов случаев COVID-19 в 110 странах, а число погибших достигло почти 947 000 [].Широкое использование социальных сетей, таких как Twitter, ускоряет процесс обмена информацией и выражения мнений о публичных мероприятиях и кризисах в области здравоохранения [-]. COVID-19 является одной из самых популярных тем в Твиттере с января 2020 года и продолжает обсуждаться до сих пор. Поскольку карантинные меры были введены в большинстве стран (например, порядок предоставления убежища в Соединенных Штатах), люди все больше полагались на различные платформы социальных сетей, чтобы получать новости и выражать свое мнение.Данные Twitter ценны для выявления общественных дискуссий и настроений, связанных с различными темами, а также для обновления новостей в режиме реального времени во время глобальных пандемий, таких как h2N1 и Эбола [-]. Исследование Чу и Айзенбаха [] показало, что Twitter можно использовать для «инфодемиологических» исследований в режиме реального времени, предоставляя органам здравоохранения источник мнений для реагирования на обеспокоенность общественности. Во время пандемии COVID-19 многие правительственные чиновники во всем мире использовали Twitter в качестве одного из основных каналов связи, чтобы регулярно делиться обновлениями политики и новостями, связанными с COVID-19, для широкой общественности [].

После вспышки COVID-19 все большее количество исследований собирали данные Twitter, чтобы понять общественные отклики и дискуссии вокруг COVID-19 [-]. Например, Абд-Альразак и его коллеги [] применили тематическое моделирование и анализ настроений, чтобы определить основные темы обсуждения и настроения вокруг COVID-19, используя твиты, собранные в период со 2 февраля по 15 марта 2020 года. Будхвани и Сан [] сравнили предыдущие обсуждения в Твиттере. и после 16 марта 2020 года, когда президент Трамп написал в Твиттере о «китайском вирусе» и впоследствии обнаружил, что фраза «китайский вирус» значительно возросла в твитах людей во многих штатах США.Макки и его коллеги [] проанализировали около 3465 твитов, собранных в период со 2 по 20 марта 2020 года, используя тематическую модель, чтобы изучить саморегулируемый опыт пользователей с COVID-19 и соответствующими симптомами. Ахмед и его коллеги [] провели анализ социальных сетей и контент-анализ собранных твитов в период с 27 марта по 4 апреля 2020 года, чтобы понять, что могло быть причиной дезинформации, которая связала вышки 5G в Соединенном Королевстве с пандемией COVID-19. Поскольку разговоры в Твиттере продолжаются и развиваются, стоит продолжать использовать твиты в качестве источника данных для отслеживания и понимания основных тем, обсуждаемых в Твиттере в ответ на пандемию COVID-19, и отслеживания их изменений во времени.

Чтобы расширить литературу о реакции общественности на пандемию COVID-19, это исследование направлено на изучение общественного дискурса и эмоций, связанных с пандемией COVID-19, путем анализа более 4 миллионов твитов, собранных в период с 7 марта по 21 апреля 2020 года.


Методы

Дизайн исследования

Мы использовали целенаправленный выборочный подход для сбора твитов, связанных с COVID-19, опубликованных в период с 7 марта по 21 апреля 2020 года. Наш подход к интеллектуальному анализу данных в Твиттере соответствовал схеме, показанной в.Подготовка данных включала следующие три этапа: (1) выборка, (2) сбор данных и (3) предварительная обработка необработанных данных. Этап анализа данных включал неконтролируемое машинное обучение, анализ настроений и тематический качественный анализ . Единицей анализа был каждый твит на уровне сообщения. Обучение без учителя - один из подходов к машинному обучению; он используется для проверки данных на наличие шаблонов и выводит вероятностную кластеризацию на основе текстовых данных. Мы выбрали обучение без учителя, потому что оно обычно используется, когда существующие исследования содержат мало наблюдений или понимания неструктурированных текстовых данных [].Поскольку качественный подход был бы сложной задачей при анализе крупномасштабных данных Twitter, обучение без учителя позволяет нам проводить исследовательский анализ больших текстовых данных для исследований в области социальных наук. В этом исследовании мы сначала применили подход машинного обучения без учителя для выявления важных скрытых тем. Мы использовали подход тематического анализа для дальнейшей разработки тем, что позволило глубже погрузиться в данные, например, с помощью ручного кодирования и индуктивной разработки тем на основе скрытых тем, созданных алгоритмами машинного обучения.

Рис. 1. Конвейер интеллектуального анализа данных Twitter. Просмотреть этот рисунок
Выборка и сбор данных

Мы использовали список хэштегов, связанных с COVID-19, в качестве поисковых запросов для получения твитов (например, #coronavirus, # 2019nCoV, # COVID19, #coronaoutbreak и #quarantine;). Открытый интерфейс программирования приложений (API) Twitter позволил нам собирать обновленные сообщения Twitter, которые открываются по умолчанию. С 7 марта по 21 апреля 2020 года мы собрали 35 204 604 твита за этот период (). После удаления неанглоязычных твитов осталось 23 817 948 твитов.После удаления дубликатов и ретвитов (т. Е. Твитов, которые репостят только исходное сообщение без добавления каких-либо слов), у нас было 4 196 020 твитов в нашем окончательном наборе данных. Мы собрали и загрузили следующие функции для каждого твита: (1) полный текст, (2) количество избранных, подписчиков и подписок, (3) геолокация пользователей и (4) описание пользователя / самосозданный профиль. .

Рисунок 2. Диаграмма предварительной обработки твита. Посмотрите на этот рисунок
Предварительная обработка необработанных данных

Мы использовали Python для очистки необработанных данных ().Процесс был следующим []:

  1. Мы удалили символ хэштега, @users и URL-адреса из твитов в наборе данных.
  2. Мы удалили неанглийские символы (символы, отличные от ASCII), поскольку это исследование было сосредоточено на твитах на английском языке.
  3. Мы удалили специальные символы, знаки препинания и стоп-слова [] из набора данных, поскольку они не влияют на семантическое значение сообщений.
Анализ данных
Неконтролируемое машинное обучение

Скрытое распределение Дирихле (LDA) [] - широко используемый подход неконтролируемого машинного обучения, который позволяет исследователям анализировать неструктурированные текстовые данные (например, сообщения Twitter).Основываясь на самих данных, алгоритм производит часто упоминаемые пары слов, пары слов, которые встречаются вместе, а также скрытые темы и их распределение по темам в документе []. Существующие исследования показали возможность использования LDA для определения шаблонов и тем твитов, связанных с COVID-19 [,].

Качественный анализ

Чтобы триангулировать и контекстуализировать результаты модели LDA, мы применили качественный подход для дальнейшей разработки тем.В частности, мы использовали шесть шагов тематического анализа Брауна и Кларка []: (1) знакомство с данными ключевых слов, (2) создание начальных кодов, (3) поиск тем, (4) обзор потенциальных тем, (5) определение темы и (6) отчетность. В дополнение к следованию шестиэтапному подходу, наш процесс был повторяющимся и отражающим, продвигаясь вперед и назад через шесть этапов []. Тематический подход основывается на человеческой интерпретации, процессе, на который может существенно повлиять личное понимание тем и различные предубеждения.Два члена команды, имеющие опыт анализа данных Twitter, независимо друг от друга задокументировали свои мысли о потенциальных кодах в NVivo. Затем два других члена команды просмотрели исходные коды и рассмотрели, отражают ли они выявленные темы. Например, два члена команды объединили несколько похожих кодов в одну тему, чтобы темы соответствовали одной теме. Следующим этапом было наименование тем, чтобы темы соответствовали общему значению выявленных основных тем.Мы доработали темы, соответствующие каждой из 13 тем.

Анализ настроений

Мы использовали анализ настроений, метод обработки естественного языка (НЛП), чтобы классифицировать основные настроения данного сообщения Twitter, такие как страх и радость []. В этом исследовании мы использовали лексикон эмоций NRC, который состоит из 8 основных эмоций: гнев, ожидание, страх, удивление, грусть, радость, отвращение и доверие []. Мы выполнили 4 шага, чтобы рассчитать индекс эмоций для каждого сообщения Twitter: (1) удалили статьи и местоимения (например, «и», «the», «to»), (2) применили стеммер, удалив предопределенный список префиксов. и суффиксы (например, «бег» становится «бегом» после выделения корня) [], и (3) вычисляли индекс эмоций (если в предложении было несколько эмоций, мы сохраняли только эмоцию с наибольшим количеством совпадений), и (4) подсчитал баллы по каждому типу 8 эмоций.Мы подробно обсуждали эти 4 шага в предыдущем исследовании [].


Результаты

Описательные результаты

Всего после предварительной обработки всех необработанных данных наш окончательный набор данных включал 4 196 020 твитов. Мы определили самые популярные биграммы (пары слов) в твитах, связанные с COVID-19. Биграммы захватывают «два уступчивых слова независимо от грамматической структуры и семантического значения и могут не говорить сами за себя» []. Выявленные биграммы включали следующее: «covid 19», «оставайся дома», «социальное дистанцирование», «новые случаи», «не знаю», «подтвержденные случаи», «домашний порядок», «Нью-Йорк», «протестировано». положительный »,« число погибших »и« оставайтесь в безопасности.Популярные униграммы включали «вирус», «изоляция», «карантин», «люди», «новый», «дом», «нравится», «оставаться», «не делать» и «случаи». Мы представили самые популярные униграммы и биграммы, связанные с COVID-19, и визуализировали их с помощью облаков слов в и.

Таблица 1. Топ-50 биграмм и униграмм и их распределения. положительный результат китайский вирус 90 think462 9046 коронавирус домашнее насилие 461 9046 Дональд Трамп
Верхние 50 биграмм Процент набора данных Верхние 50 униграмм Процент набора данных
covid 19 0.29 вирус 1,18
оставайтесь дома 0,26 блокировка 0,98
вирус короны 0,12 социальный 0,82
новых случаев 0,07 коронавирус 0,79
не знаю 0,04 новый 0.47
подтвержденных случаев 0,04 домой 0,45
домашний заказ 0,04 как 0,44
нью-йорк нью-йорк
0,04 пребывание 0,41
число погибших 0,04 нет 0,41
заказы на дом 0.04 случаев 0,37
на карантин 0,03 время 0,36
оставаться в безопасности 0,03 0,30
случаи коронавируса 0,03 потребность 0,30
убежище 0,03 день 0.29
пандемия коронавируса 0,03 Трамп 0,28
год 0,03 Китай 0,28 0,03 идет 0,25
плохо доставить 0,03 помочь 0,25
доставить копию 0.03 пандемия 0,24
здравоохранение 0,03 мир 0,24
поддержка usps 0,03 0,23 0,23 0,23 9046 0,23 9046 0,22
УСПС болен 0,02 смертельный исход 0,21
Ухань вирус 0,02 сегодня 0.21
карантин im 0,02 хорошее 0,20
психическое здоровье 0,02 работа 0,20
не хочу я иду 0,02 корона 0,17
президент Трамп 0,02 спред 0,17
сша 0.02 получил 0,17
не думаю 0,02 поддержка 0,17
копирование чиновников 0,02 0,17 0,15
выглядит как 0,02 путь 0,15
положительные случаи 0,02 уход 0.15
остаюсь дома 0,02 социальная 0,15
чиновники тоже доставлены 0,02 новости 0,15
0,02 страна 0,15
блокировка коронавируса 0,02 сказал 0.14
медицинские работники 0,02 ive 0,14
человек умерли 0,02 дней 0,14
0,02 стоп 0,13
социальные сети 0,02 говорит 0,13
Рисунок 3.Облако слов самой популярной юниграммы. Посмотрите на этот рисунок Рисунок 4. Облако слов самых популярных биграмм. Просмотреть этот рисунок
COVID-19 - Связанные темы

Наш подход, LDA, произвел часто встречающиеся пары слов, связанных с COVID-19, и организовал эти совпадающие слова по разным темам. LDA позволило нам вручную определить количество тем (например, 10 тем, 20 тем), которые мы хотели бы создать. В соответствии с предыдущими исследованиями мы использовали модель согласованности Gensim (RARE Technologies Ltd) [] для расчета наиболее подходящего количества тем на основе самих данных.Для этого набора данных LDA указало, что наличие 13 тем даст высокий балл согласованности и наименьшее количество тем (например, хотя наличие 19 или 20 тем даст более высокий балл согласованности, они включают больше тем;).

Рисунок 5. Количество тем на основе модели согласованности. Посмотреть этот рисунок

Мы дополнительно проанализировали матрицу терминов документа и получили распределения по 13 темам. Мы представили результаты по 13 основным темам и самым популярным парам слов (биграмм) в каждой теме в формате.Например, у темы 3 было самое высокое распределение (8,87%) среди всех 13 распространенных скрытых тем. Биграммы, связанные с Темой 3, включали «положительный результат», «вспышка коронавируса», «Нью-Йорк», «убежище» и «психическое здоровье». Эти пары слов часто встречаются вместе, поэтому модель LDA отнесла их к одной теме.

Таблица 2. Определены основные темы, биграммы и их распространение.
Тема Биграммы внутри тем Распределение (%)
1 covid 19, не знаю, смертельный вирус, иммунитет, распространение вируса, блокировка 19 000, стадо люди, 19 пандемия, не нужны, маски для лица, новости лисы, медицинские работники, малый бизнес, домашний карантин, вот так, вирус пришел, медленное распространение, тестовые наборы, всего подтверждено 8.51
2 распространение вируса, здравоохранение, оставаться дома, белый дом, положительные случаи, люди умирают, 14 дней, смерти от коронавируса, работники по уходу, я видел, нужна помощь, дневная изоляция, знаю вирус, я получаю, врачи медсестры, период карантина, мир вирусов, остановить вирус, люди получают, недельный карантин 7,24
3 положительный результат, вспышка коронавируса, вирус ухань, положительный коронавирус, подтвержденные случаи, Нью-Йорк, убежище, психическое здоровье , китайский вирус, ощущение, новые случаи, gt gt, коронавирус covid, вирус, недели, люди, вирус, люди нет, общий итог, пресс-конференция, sars cov 8.87
4 не думаю, распространение вируса, период блокировки, фальшивые новости, дома престарелых, лаборатория Ухань, лучшее, месяцы, усилитель блокировки, 21 3, id нравится, люди знают, в реальном времени, весь мир, знаю я знаю это, просыпайся, не стесняйся, не хочу, Энтони Фаучи 6.56
5 нас, случаи коронавируса, общественное здравоохранение, спасение жизней, новый коронавирус, долгосрочный, южная корея, не забывай, bbc новости, дома престарелых, новости коронавирус, миллион человек, не означает, члены семьи, хочу знать, вакцина против коронавируса, продолжается, мир отдыха, коронавирус, Нью-Джерси 7.36
6 дома, оставайтесь дома, порядок в доме, спасибо, похоже, хорошие новости, положительный результат теста, люди остаются, борются с вирусом, люди протестуют, маска для лица, хорошо, молодые люди, заблокируйте, ношение масок, случаи смерти, сказал Трамп, сообщения о смерти, отключение, активные случаи 7,36
7 социальное дистанцирование, дневной карантин, медицинские работники, премьер-министр, мировое здравоохранение, не заботьтесь, глобальная пандемия, не понимаю , организация здравоохранения, доктор фаучи, сообщите, временная блокировка, вирус не установлен, антиблокировка, убежище, думают люди, обновления в реальном времени, 2 месяца 7.81
8 Блокировка коронавируса, кризис с коронавирусом, на фоне коронавируса, похоже, новый коронавирус, целевая группа, я уверен, пациенты с коронавирусом, предотвратить распространение, вирус не, не позволяйте, долгое время, Нью-Йорк, высокий риск, задача коронавируса, слава богу, количество смертей, не нравится, вспышка вируса, случаи коронавируса 7,47
9 оставайтесь в безопасности, китайский вирус, самокарантин, нужно знать, люди идут, новый вирус, здравый смысл, безопасное пребывание, вирусный усилитель, BC, 2 2, друзья семьи, у нас есть, есть вирус, держитесь подальше, комплекты для тестирования, оздоровительный усилитель, вирус ушел, 20 апреля, знал вирус 7.07
10 вирус короны, новые случаи, число погибших, я иду, день карантина, люди умерли, распространение коронавируса, случаи коронавируса, люди умирают, карантин im, общее количество, количество случаев, зарегистрированные случаи, апрель 2020 г. подтвержденные случаи, смерть от коронавируса, 24 часа, потребность людей, остановить распространение 8,84
11 оставаться дома, распоряжения на дому, президент Трамп, социальные сети, проживание на дому, близкие, безопасность, уровень смертности, работа на дому , 31000, социальная дистанция, 3100000, протестное пребывание, последние новости, смертельные случаи, извините, 10 000, уровень смертности 8.67
12 пандемия коронавируса, год, сша, мыть руки, людям нравится, работать дома, бог благословит, много людей, носить маску, много лет назад, вирусная мистификация, как вирус, 23 дня, продуктовый магазин, сказал вирус, 21 миллион, посмотрите видео, 10 дней, как amp, блокировка в великобритании 7,06
13 прямо сейчас, не хочу, 3 недели, тесты положительные, дональд трамп, недели назад, недели блокировки, распространение вируса , обновление коронавируса, новая зеландия, 22 миллиона, звучит как, общее количество случаев, изоляция 2, коммунистическая партия, дневной день, китайский коммунист, случаи 1, что происходит, 2 недели 7.18
COVID-19 – Связанные темы

Тематический анализ позволил нам разделить эти темы на разные отдельные темы. Команда рассмотрела выявленные темы, биграммы и репрезентативные образцы твитов в каждой теме и распределила их по различным темам. Чтобы защитить конфиденциальность и анонимность пользователей Твиттера, мы не предоставляли никакой информации, связанной с пользователями, такой как дескрипторы пользователей Твиттера или другую идентифицирующую информацию. Таким образом, образцы твитов были отрывками из оригинальных твитов в формате.

Мы разбили 13 тем на 5 тем: «Меры общественного здравоохранения по замедлению распространения COVID-19» (например, маски для лица, тестовые наборы, вакцины), «Социальная стигма, связанная с COVID-19» (например, китайский вирус, Ухань), «Случаи и смерти от коронавируса» (например, новые случаи, смерти), «COVID-19 в Соединенных Штатах» (например, Нью-Йорк, протесты, целевая группа) и «Случаи коронавируса в остальной части мир »(например, Великобритания, глобальный выпуск). Например, тема «Меры общественного здравоохранения по замедлению распространения COVID-19» включала соответствующие темы «маски для лица», «карантин», «наборы для тестирования», «изоляция», «безопасность», «вакцина» и « укрытие на месте.Кроме того, «домашний карантин» и «самокарантин» были двумя из наиболее часто встречающихся слов в рамках тематического карантина.

Таблица 3. Темы, основанные на классификации тем, биграммах и примерах твитов. заказать работу? Если вы подаете в суд на дерьмовые данные без какой-либо ссылки на эпидемиологию, то да
Тема и тема Биграммы Образцы твитов
Меры общественного здравоохранения по замедлению распространения COVID-19

, носить маски
Мы защищаем себя и нашу семью, надевая маски каждый день.
Карантин домашний карантин,
самокарантин, период карантина
@realDonaldTrump @JustineTrudeau Все они находятся на обязательном двухнедельном карантине, и они являются основными работниками…
Тестовые наборы 9046 наборы Гидроксихлорохин, наборы для тестирования и США: Мы настоятельно призываем правительство Моди извлечь надлежащие уроки из этого последнего примера US
Lockdown covid19 изоляция, период изоляции,
недель изоляции,
Люди действительно шокированы изоляцией продлен на 3 недели, когда люди все еще выходят на встречи
Безопасность оставайся в безопасности, оставайся в безопасности,
держись подальше
Будь сильным, оставайся в безопасности # блокировка, но не заблокирована http: // t.co / FvifiEbbs7
Вакцина вакцина против коронавируса Ведущий научный сотрудник NIH, работающий над исследованием вакцины #coronavirus
Приют на месте в США Приют в Калифорнии, приют в
Социальная стигма, связанная с COVID-19

Коммунистическая партия Китая Коммунистическая партия Китая, случаи 1 # Коммунистическая партия Китая (#CCP) распространяет дезинформацию, чтобы скрыть происхождение # коронавируса
Дискриминационные названия Вирус Ухань, китайский вирус Что Китай несет ответственность за создание огромного риска для всего мира.Резко критиковал их пищевые привычки.
Президент Трамп написал в Твиттере «Китайский вирус» Президент Трамп, социальные сети, вирус Китая Президент Трамп: Они знают, откуда он пришел. Все мы знаем, откуда он взялся, #chinesevirus
COVID-19, новые случаи и смерти

Новые случаи новых случаев, общее количество, подтвержденные случаи RT @neeratanden: 4591 человек умерли за день от вируса, это самое большое число из всех, о которых мы знаем.
Смертей смерть от коронавируса, число погибших, количество погибших людей # Число погибших в Великобритании может быть ДВОЙНЫМ официальным подсчетом, как в домах престарелых
COVID-19 в США
Психическое здоровье и COVID-19 в Нью-Йорке Нью-Йорк, убежище, психическое здоровье Жители Нью-Йорка на крышах своих квартир во время карантина - это совершенно другая атмосфера. Это будет в учебниках истории
Протесты против изоляции анти-изоляция, протестующие люди, протестующие остаться Я поддерживаю работников здравоохранения !!! Браво! Медицинские работники сталкиваются с протестующими против карантина в Колорадо
Целевая группа в США Целевая группа RT @Jim_Jordan: Целевые группы # коронавируса делают отличную работу.Но есть одна целевая группа, которая отсутствует в действии: Конгресс США
Пандемия COVID-19 в Соединенных Штатах США, Белый дом, Нью-Джерси, 21 миллион, миллион человек, доктор Фаучи, Остаться- домашние заказы продолжаются в большей части Соединенных Штатов
случаев COVID-19 в остальном мире

Соединенное Королевство Иммунитет стад, изоляция в Великобритании, премьер-министр Премьер-министр Министр отдал игру рано, когда он открыто сказал Скрофулусу и Уиллибуби, что план правительства - это Иммунитет Стада, что НАСТОЯЩИЕ ответственные лица, должно быть, были так разгневаны на него, что его пришлось отправить в изолятор с вирусом, чтобы он заткнулся. !
Глобальная проблема Весь мир, Южная Корея, здоровье в мире, глобальная пандемия, Новая Зеландия Во всем мире сейчас 182 726 человек.»И« Премьер-министр Новой Зеландии Джасинда Ардерн говорит, что правительство частично ослабит блокировку через неделю, поскольку снижение…
Анализ настроений

Мы представили результаты анализа настроений по каждой из 13 скрытых тем. в и . представил 8 эмоций доверия, ожидания, радости, удивления, гнева, страха, отвращения и печали. Результаты показали, что по всем 13 темам ожидание (темно-синяя линия) преобладало в 12 темах, за которым следуют страх (оранжевая линия), доверие (серая линия) и гнев (желтая линия).

Мы также провели односторонний тест z , чтобы проверить, статистически значимо ли различаются ли каждая из 8 эмоций по темам. Значение P <0,01 было установлено в качестве порога значимости. Например, около 23,8% твитов в Теме 5 выражают чувство ожидания того, что «будут предприняты необходимые шаги и меры предосторожности» [,]. Статистическая значимость указывает на то, что весьма вероятно ( P <0,001), что эмоция предвкушения чаще выражается в теме 5 (23.8%), чем все остальные темы. Эмоциональный страх (перед воздействием вируса) был обнаружен в 18,8% твитов в теме 10, что статистически отличалось от страха, выраженного в других темах.

Рисунок 6. Анализ тональности каждой из 13 скрытых тем. Посмотрите на этот рисунок Таблица 4. Процент 8 эмоций по 13 темам a . 9 b 9132 9 9 9019 4.20
  • 4,4 3,50 b 19 b 00 b 9046 2 9019 b1 9 9019 b1 9

    9019 9019 9019 914 b 9462 9462 9019 12 946 2 30 b
    Тема Гнев,% Ожидание,% Отвращение,% Страх,%

    2
    Радость,% Радость,% Радость,% Доверие,%
    1 10.80 17.60 2.00 14.60 4.60 b 2.40 1.60 9.50
    2 12.00 9462 9461 2 12.00 9462 94620 9469 9461 9462 9461 9461 9461 9469 9469 4,00 4,10 b 2,10 12,40 b
    3 12,60 b 17,60 9461 2,90 9139 990 3.20 3.80 b 2.60 b 15.90 b
    4 13.20 b 20.9020 20.9020 3.30 b 2.20 b 13.30 b
    5 12.40 b 23.80 b 30 4,30 3,50 b 2,10 13,40 b
    6 13,10 b 22,50 b b 22,50 b 9020
    3,00 b 12,80 b
    7 12,50 b 21,90 b 2,50 3,70 3,20 b 3,30 b 13,10 b
    8 13,80 b 3,80 3,10 b 2,40 b 12,10 b
    9 12,50 b 20.7020 b80 b 15,50 7,90 b 3,40 b 2,40 b 12,30 b
    10
    10 10 18,80 b 3,30 3,30 b 1,90 11,30
    11 11,80 20.60 b 0 2462 90.50 b 15,50 b 6,00 b 3,70 b 2,70 b 11,90 b
    2,80 b 17,90 b 4,20 3,30 b 2,60 b 14.20 b 13469
    20,80 b 2,60 b 14,80 4,30 4,20 b 3,10 b 111346 b 11509 2 процентов по каждой теме не равно 100%. Остальное составляют нейтральные или другие эмоции.

    b P <0,001 из z test.


    Обсуждение

    Основные результаты

    В этом исследовании мы рассмотрели общественные обсуждения и эмоции, используя сообщения, связанные с COVID-19, в Twitter.Пользователи Twitter обсудили 5 основных тем, связанных с COVID-19, в период с 7 марта по 21 апреля 2020 года. Тематическое моделирование твитов было полезно для получения информации о темах и проблемах, связанных с COVID-19. Результаты показали несколько существенных моментов. Во-первых, общественность использует различные термины, говоря о COVID-19, включая вирус, COVID-19, коронавирус и вирус короны. Во-вторых, COVID-19 называют «китайским вирусом», который может вызвать стигму и навредить усилиям по борьбе со вспышкой COVID-19 []. В-третьих, дискуссии о пандемии в Нью-Йорке были заметными, и связанные с этим общественные настроения вызвали гнев.В-четвертых, публичные дискуссии о Коммунистической партии Китая (КПК) и распространении вируса стали новой темой, которая не была выявлена ​​в предыдущих исследованиях [], предполагая, что связь между COVID-19 и политикой все чаще распространяется в Твиттере по мере развития ситуации. развивается. В-пятых, общественные настроения по поводу распространения COVID-19 демонстрируют ожидание возможных мер, которые могут быть приняты, за которыми следует смешанное чувство доверия, гнева и страха. Результаты показывают, что общественность не удивлена ​​быстрым распространением COVID-19.В-шестых, люди испытывают сильное чувство страха, когда обсуждают кризис COVID-19 и случаи смерти. Наконец, когда пользователи Twitter обсуждают COVID-19, доверие больше не является явной эмоцией, что отличается от результатов более раннего исследования [].

    Сравнение с предыдущей работой

    Наши результаты согласуются с предыдущими исследованиями с использованием данных социальных сетей для оценки реакции и настроений общественного здравоохранения, связанных с COVID-19, и предполагают, что с января 2020 года внимание общественности было сосредоточено на следующих темах: ( 1) подтвержденные случаи заболевания и уровень смертности [,,], (2) профилактические меры [,,], (3) органы здравоохранения и политика правительства [,], (4) вспышка в Нью-Йорке [], (5) COVID -19 стигма (например, обозначение COVID-19 «китайским вирусом») [,] и (6) негативные психологические реакции (например, страх) или последствия для психического здоровья [, -].

    По сравнению с исследованием, посвященным публичным обсуждениям и опасениям, связанным с COVID-19, с использованием данных Twitter с 20 января по 7 марта 2020 г., мы обнаружили, что несколько важных тем больше не пользуются популярностью: (1) вспышка в Южной Корее, (2 ) круизный лайнер Diamond Princess , (3) экономические последствия [,] и (4) цепочки поставок []. При нынешних профилактических мерах мытье рук больше не является превалирующей темой; вместо этого карантин стал преобладающим.

    Кроме того, в нашем исследовании были выявлены новые темы для обсуждения COVID-19, имевшие место в период с 7 марта по 21 апреля: (1) необходимость вакцины для остановки распространения, (2) карантин и приказы о временном убежище, (3) ) протесты против изоляции и (4) пандемия COVID-19 в США.Новые важные темы предполагают, что пользователи Twitter (твиты на английском языке) сосредотачивают свое внимание на COVID-19 в Соединенных Штатах (например, Нью-Йорк, протесты, целевая группа, миллионы подтвержденных случаев), а не на мировых новостях (например, Южная Корея , Diamond Princess круизный лайнер, Dr Li Wenliang в Китае).

    Ограничения

    Во-первых, мы выбрали только 20 хэштегов в качестве ключевых условий поиска для сбора данных Twitter (). По мере развития ситуации появляются новые хэштеги. Например, хэштег может получить широкое распространение после того, как соответствующая тема станет более популярной, например официальное название вируса (COVID-19).Во-вторых, пользователи Twitter не являются репрезентативными для всего населения мира, а темы твитов отражают только мнения онлайн-пользователей и реакцию на COVID-19. Однако набор данных Twitter по-прежнему является ценным ресурсом, позволяющим нам в реальном времени изучать ответы пользователей Twitter и их действия в Интернете, связанные с COVID-19. В-третьих, неанглоязычные твиты были удалены из нашего анализа, и, следовательно, результаты доступны только пользователям, публиковавшим сообщения на английском языке. Будущие исследования COVID-19 должны включать другие языки, такие как итальянский, французский, немецкий и испанский.

    Будущие исследования

    Будущие исследования могли бы продолжить изучение общественного доверия и уверенности в существующих мерах и политике, которые имеют важное значение. По сравнению с предыдущей работой, наше исследование показало, что пользователи Twitter испытывали чувство радости, говоря о коллективном иммунитете. Чувства страха и ожидания, связанные с темами карантина и укрытия на месте. В будущих исследованиях можно будет оценить, как правительственные чиновники (например, президент Трамп) и международные организации (например, Всемирная организация здравоохранения) доставляют и передают сообщения общественности, а также их последующее влияние на общественное мнение и настроения.Антикитайские / азиатские настроения распространяются в социальных сетях, и было бы целесообразно оценить, как люди используют эти платформы, чтобы противостоять стигме COVID-19 и бороться с ней. Дезинформация во время пандемии COVID-19 не была важной темой в этом исследовании. Существующее исследование показало, что 25% (n = 153) выбранных твитов содержали дезинформацию []. Термин COVID-19 имеет более низкий уровень дезинформации, чем термин, связанный с # 2019_ncov и Corona. В будущих исследованиях следует изучить дезинформацию и ее распространение в социальных сетях.Наконец, доверие больше не проявляется, когда люди пишут в Твиттере о подтвержденных случаях заболевания и смерти. Вместо этого страх заменил доверие и стал доминирующей эмоцией. В будущих исследованиях следует изучить изменения в доверии с течением времени.

    Выводы

    Данные Twitter и подходы к машинному обучению могут быть использованы для исследований в области инфодемиологии путем изучения развития общественных дискуссий и настроений во время пандемии COVID-19. Наши результаты помогают понять общественные обсуждения и опасения по поводу пандемии COVID-19 среди пользователей Twitter в период с 7 марта по 21 апреля 2020 года.В Твиттере постоянно доминировали несколько тем, таких как «подтвержденные случаи заболевания и уровень смертности», «профилактические меры», «органы здравоохранения и политика правительства», «стигма» и «негативные психологические реакции» (например, страх). По мере того, как ситуация быстро развивается, соответственно появляются новые актуальные темы. Страх возникает в сообщениях о новых случаях или сообщениях о смерти []. Мониторинг и оценка в реальном времени проблем пользователей Твиттера могут быть многообещающими для информирования о мерах реагирования на чрезвычайные ситуации и планировании в области общественного здравоохранения.Услышание реальных опасений общественности и реакция на них могут укрепить доверие между системой здравоохранения и общественностью и обеспечить лучшую подготовку к будущей чрезвычайной ситуации в области общественного здравоохранения.

    Не заявлено.

    Под редакцией Г. Айзенбаха; подано 22.05.20; рецензировано J Zhang, R Guo, A Dormanesh; комментарии к автору 10.06.20; доработанная версия получена 16.06.20; принята к печати 28.10.20; опубликовано 25.11.20

    © Цзя Сюэ, Цзюньсян Чен, Ран Ху, Чен Чен, Чэнда Чжэн, Юэ Су, Тиншао Чжу.Первоначально опубликовано в Journal of Medical Internet Research (http://www.

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *