Sociala medier kan avslöja mer än bara en enskild persons humör eller sinnesstämning. Det kan fånga de psykologiska tillstånden hos en hel befolkning, enligt ny forskning av Stanford-forskaren Johannes Eichstaedt.

Eichstaedts resultat, publicerad 27 april i Proceedings of the National Academy of Sciences , fann att genom maskininlärning – att lära en dator att identifiera och analysera mönster i stora datamängder – kan forskare se, i princip, hur det går för ett samhälle i realtid.

"Dessa metoder visar verkligen hur man gör psykologiska mätningar under 2000-talet i vår digitala värld, sade Eichstaedt, som är biträdande professor i psykologi vid School of Humanities and Sciences och juniorstipendiat vid Stanford Institute for Human-Centered Artificial Intelligence.

Under det senaste decenniet, Eichstaedt har testat hur man använder sociala medier, inklusive Twitter, som ett sätt att mäta ett samhälles välmående. Han hävdar att sociala medier ger den största datauppsättningen om beteende, känslor och tankar i mänsklighetens historia.

Medan forskarna erkänner i tidningen att Twitter inte är representativt för den amerikanska befolkningen, det kan fortfarande ge insikt i hur människor upplever sin vardag.

"Vad vi verkligen bryr oss om är hur bra befolkningen klarar sig när det gäller psykisk och fysisk hälsa, snarare än bara att BNP växer, " sade Eichstaedt. "Du kanske inte bryr dig om att mäta subjektivt välbefinnande i och för sig, men subjektivt välbefinnande påverkar dödligheten, inklusive hjärtsjukdomar. Det påverkar också de ekonomiska slutresultaten. Så, det är en ganska viktig variabel att fånga för en population."

Från enkätundersökningar till sociala medier

För att utvärdera de olika sätten att analysera en regions välbefinnande, Eichstaedt och ett team av forskare jämförde över en miljard geotaggade tweets från 2009 till 2015 med 1,7 miljoner svar från Gallup-Sharecare Well-Being Index, en fördjupad undersökning som mäter hur människor upplever vardagen.

Forskare har länge förlitat sig på undersökningar som Gallup för att mäta en befolknings välbefinnande. Även om det är korrekt, de kan vara kostsamma och tidskrävande åtaganden. Ibland tar det år att samla in tillräckligt med data för grova samhällsuppskattningar, sa Eichstaedt.

Men när det utökas med datadrivna tekniker, en del av den bördan kan lättas. Eichstaedt fann att när en algoritm tränas med både användarnas svar på en skriftlig välmåendeundersökning och ett urval av inlägg från sociala medier från samma respondenter, den kan sedan användas i mycket större skala för att förutsäga hur människor från en hel region skulle ha svarat på en traditionell undersökning baserad enbart på deras Tweets.

Att förstå ord ur sitt sammanhang

Innan maskininlärningsmetoder användes, forskare valde antingen ord eller bad bedömare att kommentera ord för hur "positiva" de är. Men det kan vara väldigt svårt att välja ord som mäter välbefinnande, sa Eichstaedt.

Till exempel, forskarna fann att internetslang som "LOL" - den populära akronymen för "skratta högt" - och orden "bra" och "kärlek" ofta användes i områden med lägre inkomst och utbildning (och, i allmänhet, lägre välbefinnande). Så även om dessa kan verka som positiva ord, de kanske inte är, sa Eichstaedt.

Liknande, Eichstaedt fann att ord som "läxor" och "skatter" kan verka negativa ur sitt sammanhang, men forskarna fann att dessa ord användes mer av personer med högre utbildning och inkomst – en grupp som andra studier har funnit att de vanligtvis har högre välbefinnande.

"När man väljer ord för att mäta välbefinnande, det är verkligen viktigt att uppmärksamma kulturella skillnader i språkanvändning i USA, sa Eichstaedt.

Men metoder för maskininlärning kan hjälpa till att avgöra vilka ord som är viktigare än andra. När algoritmen jämförde en persons inlägg på sociala medier med deras enkätsvar, den lärde sig att ord som "LOL" inte är pålitliga indikatorer på välbefinnande och använde istället ord som "roligt" och "upphetsad".

"Att låta datorn lära sig orden kan vara det bästa sättet att hitta ord som mäter välbefinnande, " sa Eichstaedt. "Skillnader i språkanvändning kan vara ganska komplexa."

Framtida användningsområden

Forskarna konstaterar att välbefinnande också är förknippat med andra viktiga faktorer, inklusive allmän hälsa. Till exempel, hur stressade människor är kan framkalla ohälsosamma beteenden – som överdrivet alkoholkonsumtion eller rökning – som i sin tur påverkar deras hälsa negativt, han sa.

"När människor lider av depression och ångest, vi behöver veta så att vi kan säkerställa att de har de resurser de behöver, sade Eichstaedt, som för närvarande använder denna metod för att studera effekten av den nya coronavirus-pandemin på befolkningen i städer över hela USA

"COVID-19 är en naturkatastrof som avbryter våra sociala normer och rutiner i en aldrig tidigare skådad omfattning, ", sa Eichstaedt. "Med denna Twitter-baserade realtidsteknik, psykologer kan övervaka om ensamhet och ångest får fäste i samhällen, och hur vårt välbefinnande påverkas av social distansering. Det finns ingen annan datakälla som kan ge sådana mätningar i populationsskala och ge uppskattningar så snabbt. Nu mer än någonsin, att använda robusta maskininlärningsmetoder är mycket viktigt."