基于社交媒体实时知识聚合的疫情信息快速传播之挑战与机遇
社会与信息网络
2020-11-12 v1 机器学习
摘要
诸如 COVID-19 大流行这类快速演变的态势因其不可预测性而对 AI/ML 模型构成重大挑战。然而，检测既不完整（由于未检测的无症状病例）又滞后（由于从初始接触事件、症状恶化到检测结果之间的延迟）。社交媒体因其更快且更广的覆盖可补充物理检测数据，但也带来另一挑战：大量的噪声、误传与虚假信息。我们认为，若满足两个条件，社交媒体可成为大流行的良好指标。其一是（真正新颖性）从不可预测演变的态势中捕获新的、先前未知的信息。其二是（事实 vs. 虚构）区分可验证事实与误传及虚假信息。满足这两个条件的社交媒体信息称为实时知识。我们应用基于证据的知识获取（EBKA）方法，通过整合社交媒体来源与权威来源来收集、过滤并更新实时知识。尽管数量有限，来自权威来源的可靠训练数据使得过滤虚假信息以及捕获真正的新信息成为可能。我们描述了实现 EBKA 的 EDNA/LITMUS 工具，其将 Twitter 和 Facebook 等社交媒体与 WHO 和 CDC 等权威来源相整合，创建并更新关于 COVID-19 大流行的实时知识。
引用
@article{arxiv.2011.05416,
title = {Challenges and Opportunities in Rapid Epidemic Information Propagation with Live Knowledge Aggregation from Social Media},
author = {Calton Pu and Abhijit Suprem and Rodrigo Alves Lima},
journal= {arXiv preprint arXiv:2011.05416},
year = {2020}
}