Les médias sociaux peuvent révéler plus que l'humeur ou l'état d'esprit d'une seule personne. Il peut capter les états psychologiques de toute une population, selon de nouvelles recherches du chercheur de Stanford Johannes Eichstaedt.

les résultats d'Eichstaedt, publié le 27 avril dans le Actes de l'Académie nationale des sciences , ont découvert que grâce à l'apprentissage automatique (apprendre à un ordinateur à identifier et à analyser des modèles dans de grands ensembles de données), les chercheurs peuvent voir, en principe, comment se porte une société en temps réel.

"Ces méthodes montrent vraiment comment faire de la mesure psychologique au 21e siècle dans notre monde numérique, " dit Eichstaedt, qui est professeur adjoint de psychologie à la School of Humanities and Sciences et junior fellow au Stanford Institute for Human-Centered Artificial Intelligence.

Au cours de la dernière décennie, Eichstaedt a testé comment utiliser les médias sociaux, y compris Twitter, comme moyen de mesurer le bien-être d'une communauté. Il soutient que les médias sociaux fournissent le plus grand ensemble de données sur le comportement, émotions et pensées dans l'histoire humaine.

Alors que les chercheurs reconnaissent dans le document que Twitter n'est pas représentatif de la population américaine, il peut toujours donner un aperçu de la façon dont les gens vivent leur vie quotidienne.

"Ce qui nous intéresse vraiment, c'est l'état de santé de la population en termes de santé psychologique et physique, plutôt que simplement que le PIB augmente, " a déclaré Eichstaedt. " Vous ne vous souciez peut-être pas de mesurer le bien-être subjectif en soi, mais le bien-être subjectif impacte la mortalité, y compris les maladies cardiaques. Cela a également un impact sur les résultats économiques. Donc, c'est une variable assez importante à saisir pour une population."

De la recherche par sondage aux médias sociaux

Evaluer les différentes manières d'analyser le bien-être d'un territoire, Eichstaedt et une équipe de chercheurs ont comparé plus d'un milliard de Tweets géolocalisés de 2009 à 2015 à 1,7 million de réponses du Gallup-Sharecare Well-Being Index, une enquête approfondie qui mesure la façon dont les gens vivent la vie quotidienne.

Les chercheurs se sont longtemps appuyés sur des enquêtes comme Gallup pour mesurer le bien-être d'une population. Bien qu'exact, elles peuvent être des entreprises coûteuses et chronophages. Parfois, il faut des années pour rassembler suffisamment de données pour des estimations communautaires approximatives, dit Eichstaedt.

Mais lorsqu'il est complété par des techniques basées sur les données, une partie de ce fardeau peut être allégée. Eichstaedt a découvert que lorsqu'un algorithme est formé avec à la fois les réponses des utilisateurs à une enquête écrite sur le bien-être et un échantillon de publications des médias sociaux des mêmes répondants, il peut ensuite être déployé à une échelle beaucoup plus grande pour prédire comment les personnes d'une région entière auraient répondu à une enquête traditionnelle basée uniquement sur leurs Tweets.

Comprendre les mots hors contexte

Avant l'utilisation des méthodes d'apprentissage automatique, les chercheurs ont soit choisi des mots, soit demandé aux évaluateurs d'annoter les mots pour leur « positivité ». Mais il peut être très difficile de choisir des mots qui mesurent le bien-être, dit Eichstaedt.

Par exemple, les chercheurs ont découvert que l'argot Internet tel que « LOL » - l'acronyme populaire pour « laugh out loud » - et les mots « bon » et « amour » étaient fréquemment utilisés dans les zones à faible revenu et éducation (et, en général, bien-être inférieur). Donc, même si cela peut sembler être des mots positifs, ils peuvent ne pas être, dit Eichstaedt.

De la même manière, Eichstaedt a découvert que des mots comme « devoirs » et « impôts » pouvaient sembler négatifs hors contexte, mais les chercheurs ont découvert que ces mots étaient davantage utilisés par les personnes ayant un niveau d'instruction et un revenu plus élevés, un groupe qui, selon d'autres études, a généralement un bien-être plus élevé.

"Lorsque vous choisissez des mots pour mesurer le bien-être, il est vraiment important de prêter attention aux différences culturelles dans l'utilisation de la langue à travers les États-Unis, " a déclaré Eichstaedt.

Mais les méthodes d'apprentissage automatique peuvent aider à déterminer quels mots sont plus importants que d'autres. Lorsque l'algorithme a comparé les publications d'une personne sur les réseaux sociaux à ses réponses à l'enquête, il a appris que des mots comme « LOL » ne sont pas des indicateurs fiables de bien-être et a plutôt utilisé des mots comme « fun » et « excité ».

"Le fait que l'ordinateur apprenne les mots peut être le meilleur moyen de trouver des mots qui mesurent le bien-être, " a déclaré Eichstaedt. " Les différences dans l'utilisation de la langue peuvent être assez complexes. "

Utilisations futures

Les chercheurs notent que le bien-être est également associé à d'autres facteurs importants, y compris la santé globale. Par exemple, à quel point les personnes stressées peuvent induire des comportements malsains, comme une consommation excessive d'alcool ou de tabac, qui à leur tour ont un impact négatif sur leur santé, il a dit.

"Quand les gens souffrent de dépression et d'anxiété, nous devons savoir pour nous assurer qu'ils disposent des ressources dont ils ont besoin, " dit Eichstaedt, qui applique actuellement cette méthode pour étudier l'impact de la nouvelle pandémie de coronavirus sur la population des villes des États-Unis.

« COVID-19 est une catastrophe naturelle qui interrompt nos normes sociales et nos routines à une échelle sans précédent, " a déclaré Eichstaedt. "Avec cette technologie basée sur Twitter en temps réel, les psychologues peuvent surveiller si la solitude et l'anxiété s'installent dans les communautés, et comment notre bien-être est affecté par la distanciation sociale. Aucune autre source de données ne peut fournir une telle mesure à l'échelle de la population et donner des estimations aussi rapidement. Maintenant plus que jamais, l'utilisation de méthodes d'apprentissage automatique robustes est très importante."