Küresel bir Twitter duygu analizi modeli: COVID aşıları

Twitter’daki aşı duyguları neden önemli

COVID-19 salgını sırasında hükümetler yaşam kurtarmak için aşılar ve halkın iş birliğine dayandı. Yine de dünya genelinde insanlar aşı kampanyalarına çok farklı tepki gösterdi ve umutlarını ile korkularını sıklıkla sosyal medyada ifade ettiler. Bu çalışma, tweet’ler üzerindeki basit “pozitif” veya “negatif” etiketlerin ötesine bakıyor ve daha derin bir soruyu gündeme getiriyor: Bir ülkenin virüsten ne ölçüde etkilendiğini hesaba kattığımızda, COVID-19 aşısı hakkındaki yorumlar nasıl görünür? Tweet metnini gerçek dünya pandemi verileriyle harmanlayarak, yazarlar bir mesajın daha geniş küresel bağlamında ne anlama geldiğini yakalamayı amaçlıyor.

Ham tweet’lerden ilk duygu tespitine

Araştırmacılar, ilk olarak 2021 baharında paylaşılan 40 binden fazla İngilizce COVID-19 aşı tweet’ini topladı; bu dönem birçok ülkenin önemli aşı eşiğini geçtiği kritik bir zamandı. Tonu değerlendirmede yardımcı olmayan kullanıcı etiketleri ve web bağlantılarını temizleyerek veriyi düzelttiler. Her tweet’e başlangıçta bir duygu atamak için Twitter içeriğine özel olarak eğitilmiş modern bir dil modeli olan Twitter-roBERTa’yı kullandılar. Bu model, yalnızca metne dayanarak tweet’leri temel üç kategoriye ayırıyor: pozitif, negatif veya nötr. Yazarlar bu ilk etiketleme katmanına ‘‘yerel duygu’’ adını veriyor; çünkü bu katman dünyanın geri kalanında olup biteni göz ardı ediyor.

Pandeminin gerçek dünya durumunu eklemek

Sonraki adımda ekip, Kuzey Amerika, Avrupa, Asya ve Okyanusya’yı kapsayan on ülke için ülke düzeyinde COVID-19 istatistikleri—vaka sayıları, ölümler ve nüfus—topladı. Bu sayıları çalışma dönemi içinde birbirlerine göre hangi ülkelerin daha sert etkilendiğini gösteren tek bir “şiddet değeri”ne dönüştürdüler. Yüksek vaka ve ölüm oranlarına sahip bir ülkeden gelen bir tweet, daha ılımlı koşullardaki aynı metnin yer aldığı bir ülkedeki tweet’ten çok farklı değerlendirilir. Araştırmacılar daha sonra her tweet’i, muhtemelen geldiği ülkenin şiddet değeriyle birleştirdiler; bunun için kullanıcıların kendi bildirdiği konumlar ve şehir ile bölge listelerinin dikkatle derlenmiş eşlemelerini kullandılar.

Yerel duyguları küresel görüş tonlarına dönüştürmek

Hem tweet metni hem de ülke bağlamı hazır olduğunda, yazarlar her tweet’in etiketini basit pozitif/negatif/nötr damgasından daha zengin bir “küresel duygu”ya dönüştürmek için üç yöntem tasarladı. İlk iki yöntem, bir ülke içinde ya da iki geniş ülke grubunda (göreceli olarak “iyi” veya “kötü” pandemi durumu gösterenler) her duygu türünün ne kadar yaygın olduğunu ölçmek için olasılık kurallarını (Bayes teoremi) kullanıyor. Bulunduğu ortamın hâkim ruh haline ters düşen bir tweet—örneğin ağır vurulmuş bir ülkede nadir görülen pozitif bir yorum—“yüksek yoğunluk”lu bir ifade olarak ele alınırken, yaygın bir görüşü yineleyen bir tweet “düşük yoğunluk”lu sayılıyor. İkinci yöntem ayrıca tweet’in tonu ülkenin durumuna uyuyorsa veya çelişiyorsa buna göre “zayıf” ve “güçlü” pozitif ya da negatif etiketleri ayırıyor.

Yoğunluğu otomatik öğrenen daha akıllı bir model

Üçüncü yöntem, Bayesçi çok düzeyli sıralı regresyon adı verilen daha gelişmiş bir istatistiksel yaklaşımı kullanıyor. Sabit eşiklere bağlı kalmak yerine, bu model verilerden kendisi öğreniyor: tweet düzeyindeki duygu skorlarının (Twitter-roBERTa olasılıklarından türetilen) her ülkedeki pandemi şiddetiyle nasıl etkileştiğini. Model, ülkeler arasındaki farklılıkları hesaba katarken yine de bunlar arasında bilgi paylaşımı yapıyor. Model daha sonra her tweet için yalnızca negatif, nötr veya pozitif olup olmadığını değil, aynı zamanda o kategoriye ne kadar güvenle ait olduğunu da tahmin ediyor. Model tabanlı olasılıkları kendi kategorileri için tipik olanın üzerinde olan tweet’ler “yüksek yoğunluk” olarak; diğerleri “düşük yoğunluk” olarak etiketleniyor. Bu, dil ve halk sağlığı bağlamını birlikte yansıtan nüanslı küresel duygu etiketleri oluşturuyor.

Bulguların kamu ruhunu anlamak için anlamı

Yazarlar bu yeni küresel duygu etiketlerini yaygın makine öğrenimi sınıflandırıcılarını eğitmek için kullandıklarında, özellikle gelişmiş modelin ürettiği nüanslı etiketlerin sınıflandırıcıların kaba yöntemlerden daha doğru desenler öğrenmesine yardımcı olduğunu buldular. Pratikte bu, halk sağlığı kurumlarının, araştırmacıların ve sosyal medya analistlerinin, tweet’leri yalnızca kelimelerin izole anlamıyla okumak yerine küresel bir bakışla incelediklerinde insanların aşılar hakkındaki gerçek duygularını daha net görebilecekleri anlamına geliyor. İki kişi aşı konusunda aynı derecede hayal kırıklığına dair sözler söyleyebilir; ancak biri şiddetli bir salgınla mücadele eden bir ülkede diğeri ise durumun kontrol altında olduğu bir yerde yaşıyorsa mesajlarının ağırlığı farklıdır. Yoğunluktaki bu farkları yakalayarak çalışma, kamu duyarlılığını izlemek ve insanların karşı karşıya olduğu gerçekliklere daha uygun yanıtlar tasarlamak için daha sağlam bir yol sunuyor.

Atıf: Chakrabarty, D., Chatterjee, S. & Mukhopadhyay, A. A global twitter sentiment analysis model for COVID-vaccination. Sci Rep 16, 9005 (2026). https://doi.org/10.1038/s41598-026-38553-0

Anahtar kelimeler: COVID-19 aşılaması, Twitter duygu analizi, sosyal medya analizi, kamu sağlığı iletişimi, makine öğrenimi