应用机器学习与 AI 解释分析疫苗犹豫
机器学习
2022-01-14 v1 计算机与社会
摘要
本文量化了种族、贫困、政治和年龄对美国本土各县 COVID-19 疫苗接种率的影响。应用 OLS 回归分析和 Random Forest 机器学习算法来量化县级疫苗犹豫的影响因素。机器学习模型同时考虑变量（种族/族裔、党派倾向、年龄等）的联合效应，以捕捉这些因素对疫苗接种率的独特组合影响。通过实施最先进的人工智能解释算法，能够解决机器学习模型的黑盒问题，并为每个县中每个测量影响因子提供“多大程度”的解答。对于大多数县，较高的共和党投票比例、较大的非裔美国人口比例和较高的贫困率会降低疫苗接种率。而较高的亚裔人口比例会增加预测的疫苗接种率。在 OLS 模型中，拉美裔人口比例对疫苗接种率的影响为正，但在 Random Forest 模型中，仅对拉美裔人口比例较高（>65%）的县为正。在 OLS 模型中，老年人和年轻人的比例均具有显著影响——分别为正和负。相比之下，在 Random Forest 模型中这些影响是不明确的。由于结果因地理区域而异，且 AIX 算法能够为每个县单独量化疫苗影响，因此本研究可以针对当地社区进行定制。一个用于识别美国各县单独影响因子的交互式在线地图仪表板可在 https://www.cpp.edu/~clange/vacmap.html 获取。显然，影响因子的作用在不同地理区域并非普遍相同。
引用
@article{arxiv.2201.05070,
title = {Applying Machine Learning and AI Explanations to Analyze Vaccine Hesitancy},
author = {Carsten Lange and Jian Lange},
journal= {arXiv preprint arXiv:2201.05070},
year = {2022}
}