公共卫生研究中社交媒体数据的人口统计特征：是否重要？

社交媒体数据为公共卫生研究提供了良机。然而，研究表明某些人群（如较低社会经济地位者）在代表性上可能存在差异。为量化并解决人口代表中的这些差异，我们需要人口统计信息，而多数社交媒体平台通常缺失该信息。本文提出一种从社交媒体数据推断人口统计特征的集成方法。已有若干方法用于推断年龄、性别与种族/民族等人口属性，但大多需要大量数据，难以应用于大规模研究。我们开发了一种仅依赖用户名预测性别的可扩展方法。我们基于含7,953名来自Kaggle.com的Twitter用户性别标签的数据训练了三个独立分类器，随后使用堆叠泛化技术整合各分类器预测，并将该集成分类器应用于36,085条来自美国的带地理标签的食源性疾病相关推文数据集。我们的集成方法准确率、精确率、召回率与F1分数分别为0.828、0.851、0.852与0.837，高于各独立机器学习方法。该集成分类器还覆盖任何含字母数字名称的用户，而数据匹配方法虽准确率达0.917，仅覆盖67%用户。将我们的方法应用于美国食源性疾病报告，凸显了按性别发推的差异，并表明食源性疾病相关推文量高的县中女性Twitter用户占比严重偏高。