Trust in Time of Crisis: An Analysis of Trustworthiness on Social Media Posts During the COVID-19 Pandemic

Document Type : Original Article

Authors

1 Assistant Professor, Department of Medical Engineering, Hamedan University of Technology, Hamadan, Iran

2 Assistant Professor, Department of Computer Engineering, Hamadan University of Technology, Hamadan, Iran

3 Ph.D. in Sociology, University of Tehran, Tehran, Iran

Abstract

Background and Aim: As the COVID-19 pandemic unfolds, social media platforms have become a primary forum for the expression of a extensive range of thoughts, sentiments, and attitudes. This research examines Persian-language social media content associated with the pandemic to achieve a detailed comprehension of societal behaviors and attitudes amid this extraordinary circumstance. The purpose of this study is to investigate the emerging patterns and behaviors of trust-building within social networks during the COVID-19 crisis.  Sentiment analysis in social networks and the way people share their opinions, views, feelings, and attitudes— through posts, tweets, and other textual content— can shed light on the social patterns of trust towards message sources and news authorities, especially in times of crisis.
 
Methods and Data: The study conducted a content analysis of social network data through a two-stage clustering method. The clustering findings were scrutinized through the lenses of risk and crisis communication theories, as well as effective communication principles to assess the trust levels within each cluster.
 
Findings: Given the pivotal importance of a culture of trust in the acceptance or rejection of messages, the trust index was examined across the clusters. The findings indicate that messages disseminated and circulated through Instagram and news websites are considered trustworthy within each cluster.
 
Conclusion: The results demonstrate that the dissemination of COVID-19-related information by health authorities can foster positive trust within society. However, the level of trust in the health sector is somewhat lower compared to the socio-cultural sphere. For the dissemination of health-related information, the use of non-political language is recommended.
 
Key Message: The findings indicate that content shared through Instagram and news platforms proves to be more influential. Additionally, social activists significantly contribute to either strengthening or undermining the audience's trust in content. Understanding the social patterns associated with trust experiences in times of crisis, where contradictory information abounds, is essential. This understanding can offer strategies to manage similar crises and aid to enhance societal resilience.

Keywords

Full Text

مقدّمه و بیان مسأله

در بحران کرونا با طیف وسیعی از افکار، احساسات، نگرش‌ها و رفتارها در شبکه‌های اجتماعی مواجه بوده‌ایم. دستیابی به درک دقیق و جامعی از رفتارها و نگرش‌های جامعه نیازمند پردازش شبکه‌های اجتماعی است. مطالعات بسیاری نشان دادند که شبکه‌های اجتماعی یکی از منابع اساسی اطّلاعات راجع به کرونا بوده است. داده‌ها و پست‌های موجود در شبکه‌های اجتماعی می‌تواند به منظور رویارویی با بحران کرونا و بررسی افکار، احساسات، نگرش‌ها و موضوعاتی که دغدغه کاربران هستند، توسط متخصصین و سیاستگذاران استفاده شود (Abd-Alrazaq et al., 2020). تحلیل گرایش نظرات در شبکه‌های اجتماعی در درک وضعیت اجتماعی، مؤثربودن سیاست‌ها و روش‌های پیاده شده در جامعه در رویارویی با بحران کرونا، و نیز در طراحی گام‌های بعدی بسیار مؤثر است.

هدف این پژوهش، بررسی تاب‌آوری جامعه ایرانی در برابر بحران کرونا و ارائه راهکاری برای ارتقاء آن در بحران‌های مشابه است. برای کنترل همه‌گیری و ارتقاء مقاومت می‌توان از اطّلاعات مطمئن و پیام‌های امید و همبستگی استفاده کرد. اعتماد، جنبه اساسی تصمیم‌گیری و پذیرش یا عدم‌پذیرش اطّلاعات ارسال شده در شبکه‌های اجتماعی است (Sherchan et al., 2013). بنابراین هدف اصلی این پژوهش، تجزیه و تحلیل اعتماد در رسانه‌های اجتماعی و تلاش برای به حداقل رساندن آثار و عوارض سوء روانی، معنوی، اجتماعی، و اقتصادی ناشی از اشاعة بحران است. برای این منظور، این پژوهش به بررسی موضوع‌های اساسی به اشتراک گذاشته شده توسط کاربران توییتر، اینستاگرام، تلگرام، و اخبار مربوط به شیوع کووید 19 در ایران از تاریخ 1 بهمن ماه سال 1398 تا 10 اردیبهشت ماه سال 1399 می‌پردازد. با توجه به داده‌های موجود، سؤالات پژوهشی به شرح ذیل دنبال شده‌اند:

- در شرایط بحرانی مثل وضعیت بحران کرونا کدام مراجع (علمی، مذهبی، هنری و...) توانایی توجیه توده مردم را خواهند داشت؟

- مراجع مشروعیت‌بخش و توجیه‌گر از کدام مسیرها و با کدام ابزارها توانایی جهت‌دهی به افکار مردم را خواهند داشت؟

- پیام‌های تأثیرگذار به منظور پیشگیری مربوط به کدام گفتمان‌ها بوده است؟

- پیام‌های ابلاغ شده، در زمان بحران کرونا، بیشتر از سوی چه مراجع مشروعیت‌بخشی بوده‌اند؟

- پیام‌های منحرف‌کننده و مشوش‌کننده، اطّلاعات و القائات نادرست در انتقال پیام به مخاطبان در بحران کرونا چه بوده است و چگونه می‌توان آن‌ها را اصلاح کرد؟

- چه پیام‌ها و مراجعی باعث نگرانی‌ها در جامعه بوده است و چگونه می‌توان آن‌ها را اصلاح کرد؟

در این مطالعه، برای تحلیل محتوا از روش‌های خوشه‌بندی[1] بهره گرفته شده است. در پایان، به منظور تحلیل وضعیت جامعه ایرانی در شرایط بحران کرونا و مدیریت بحران‌های مشابه، دو دسته نظریه به نام‌های «ارتباطات مخاطره و بحران» و «ارتباطات اثربخش» مورد استفاده قرار گرفته است. نتایج به دست آمده از تحلیل‌های انجام شده و راهبردهای پیشنهادی در بخش‌های بعدی به تفصیل بررسی خواهند شد. لازم به ذکر است از لحاظ موضوعی و رویکردی، می‌توان این پژوهش را در دسته کارهایی قرار داد که به سنجش احساسات و نظرات[2] می‌پردازد. تحلیل احساسات در شبکه‌های اجتماعی به عنوان یک جنبه از تحلیل محتوا شناخته می‌شود؛ زیرا در شبکه‌های اجتماعی، افراد، نظرات، احساسات و نگرش‌های خود را از طریق پست‌ها، نظرات، توییت‌ها و محتوای متنی دیگر به اشتراک می‌گذارند.

مروری بر مطالعات پیشین

شبکه‌های اجتماعی لنزهایی هستند که افراد از طریق آن‌ها اطّلاعات را در موقعیت‌های مختلف جمع‌آوری می‌کنند و به اشتراک می‌گذارند (Miller et al., 2017). همچنین می‌توان از شبکه‌های اجتماعی برای بررسی آگاهی، نگرش و واکنش‌های عمومی در مورد بیماری‌های خاص استفاده کرد. به عنوان مثال، داده‌های توییتر به طور گسترده برای تجزیه و تحلیل و ردیابی موقعیت‌های بحرانی، از جمله تجزیه و تحلیل موارد همه‌گیر استفاده شده است (Ji et al., 2013; Hitlin and Olmstead, 2018). مطالعاتی نظیر (Oksanen et al., 2020; Mosam et al., 2020) نشان می‌دهد که مشارکت جامعه هم در فرآیند تصمیم‌گیری و هم برای ارتقاء سلامتی مفید است. 

لی و همکاران (2020) نشان دادند که پیام‌ها و اطّلاعات مرتبط با شرایط[3] برای پاسخگویی به بیماری کرونا ارزشمند است. آن‌ها از روش‌های پردازش زبان طبیعی برای طبقه‌بندی اطّلاعات مربوط به کوید 19 در هفت نوع اطّلاعات اقتضایی و وابسته به شرایط استفاده کردند. لوپز و همکاران (Lopez et al., 2020) مجموعه‌ای از پستهای توییتر را بررسی کردند تا درک کنند که افراد در کشورهای مختلف چگونه به سیاست‌های مربوط به مقابله با کووید-۱۹ واکنش نشان می‌دهند

اعتماد عمومی در عملکرد افراد یک جامعه به ویژه در شرایط اضطراری مانند بیماری کووید 19 مهم است (Balog-Way and McComas, 2020; Vinogradac et al., 2020). در حقیقیت، از اطّلاعات مطمئن و پیام‌های امید و همبستگی می‌توان برای کنترل همه‌گیری، ایجاد شبکه‌های ایمنی و ارتقا مقاومت استفاده کرد. جنبه اساسی تصمیم‌گیری، پذیرش یا عدم‌پذیرش اطّلاعات ارسال شده در شبکه‌های اجتماعی است (Sherchan et al., 2013). فورسیس و همکاران (Forsyth et al., 2011) اعتماد را به عنوان «یک باور یا نگرش در مورد حسن نیت و قابلیت اطمینان شریک یا همکار در موقعیت‌های پر‌خطر» تعریف می‌کنند. مطالعات (Balog-Way and McComas, 2020) اظهار داشتند شفافیت ارتباطات در ایجاد اعتماد عمومی نقشی اساسی دارد.

در طول یک بحران‌، کیفیت اطّلاعات در رسانه‌های اجتماعی مهم است. گسترش اطّلاعات نادرست می‌تواند استراتژی‌های بهداشت عمومی را تضعیف کند (Zarocostas, 2020) و پیامدهای بالقوه خطرناکی داشته باشد (Bode and Vraga, 2018; Waszak et al., 2018). برخی از مطالعات در زمینه گسترش اطّلاعات نادرست در شبکه‌های اجتماعی و تأثیر آن بر مردم کار کرده‌اند (Llewellyn, 2020; Singh et al., 2020; Wicke and Bolognesi, 2020). برای مبارزه با اطّلاعات نادرست‌، فیلتر‌کردن مبتنی بر محتوا رایج‌ترین رویکرد است (Pierri and Ceri, 2019; Ghanem et al., 2020).

برای تجزیه و تحلیل محتوای رسانه‌های اجتماعی، روش‌های مختلف یادگیری ماشین استفاده شده است. ویجیان و همکاران (Vijayan et al., 2017) برای طبقه‌بندی متون و اسناد از رگرسیون خطی[4] استفاده کرده‌اند. رگرسیون لجستیک یکی از روش‌های محبوب و قدیمی برای طبقه‌بندی است. رگرسیون لجستیک چندجمله‌ای[5] می‌تواند میزان احساسات کاربران توییتر را با دقت 74 درصد پیش‌بینی کند. K-نزدیکترین همسایه[6] (KNN) یک طبقه‌بندی متنی غیرپارامتری معروف است که متون یا اسناد را بر اساس اندازه‌گیری شباهت طبقه‌بندی می‌کند. نمس و کیس (Nemes and Kiss, 2021) با استفاده از پردازش زبان طبیعی احساسات کاربران توییتر را تجزیه و تحلیل کردند و با استفاده از شبکه عصبی بازگشتی طبقه‌بندی کرده‌اند. بعضی از مطالعات نشان می‌دهند فیلترکردن محتوا، تجزیه و تحلیل شبکه‌های اجتماعی با استفاده از ابزارهای یادگیری عمیق ساده و مقیاس‌پذیر است (Ruchansky et al., 2017; Popat et al., 2018).

در این پژوهش به منظور تجزیه و تحلیل اعتماد در شبکه‌های اجتماعی از الگوریتم خوشه‌بندی دو‌مرحله‌ای استفاده شده است و در نهایت، برای تحلیل نتایج خوشه‌بندی از نظریه‌های ارتباطات مخاطره و بحران و ارتباطات اثربخش استفاده شده است.

 

ملاحظات نظری

در این پژوهش، دو دسته نظریه به نام‌های «ارتباطات مخاطره و بحران» و «ارتباطات اثربخش» برای فهم و تحلیل وضعیت تاب‌آوری جامعه ایرانی در شرایط بحران کرونا و مدیریت بحران‌های مشابه مطرح شده است. مدیریت ارتباطات و اطّلاعات به‌عنوان یکی از ابعاد مهم مدیریت بحران، به منظور افزایش تاب‌آوری جامعه در مواجهه با بحران‌های گسترده، اهمیت زیادی دارد.

نظریه «ارتباطات مخاطره و بحران» به‌عنوان یک فرآیند ارتباطی تعاملی بر پایه درک گسترده از مخاطرات در میان افراد و سازمان‌ها، با توجه به ویژگی‌ها، سبب، سطح، اهمیت و کنترل مخاطرات استفاده می‌شود. این نظریه فرصت را برای درک و فهم متقابل دغدغه‌های گروه‌های ذی‌نفع فراهم می‌کند تا گفتگوهایی برای شناخت آن‌ها و اعمال مناسب برای کاهش ریسک‌های اجتماعی انجام شود و فضای شکل‌گیری گفتمان‌های مؤثر و مشارکتی در فرآیند کاهش فاصله‌های نظری و افزایش هماهنگی‌های عملی ایجاد شود (Palenchar and Heath, 2007).

نظریه «ارتباطات اثربخش» به‌منظور ارائه اطّلاعات، ایده‌ها و معانی آشکار و حتی بدیهی در طرح‌های آینده‌نگرانه استفاده می‌شود. در این نظریه، اطّلاعات باید سطح قابل قبولی از اعتماد را در قضاوت‌های عمومی به‌دست آورده باشند. رسانه‌ها در این مواقع عهده‌دار ایجاد اعتماد در میان افراد هستند و می‌توانند با ارائه اطّلاعات معتبر و افزایش درک عمومی از فرآیندها و ساز و کارهای اجتماعی و فنی، به عنوان راهبردها و روش‌های کاهش ترس از تهدیدهای مختلف، افزایش سطوح اعتماد و همبستگی اجتماعی، نقش مؤثری ایفا کنند (Severin and Tankard 1997; Rogers and Cartano, 1962).

در مجموع، نظریات مذکور نه‌تنها به درک عمیق‌تر وضعیت تاب‌آوری جامعه در شرایط بحران کمک می‌کنند بلکه به تدابیر و اقدامات مؤثرتر در مدیریت بحران و ارتقاء ارتباطات مؤثر جامعه کمک می‌کنند.

 

روش و داده‌های پژوهش

الف) ‌داده‌های پژوهش و تکنیک‌های تحلیل آن: با توجه به این که تحلیل محتوا از رویکردى خاص براى تحلیل داده‌ها برخوردار است، در این پژوهش سعی شده است که از روش تحلیل محتوا استفاده شود. برنارد برلسون، تحلیل محتوا را «روشى براى مطالعه عینى، کمّى و سیستماتیک فرآورده‌هاى ارتباطى (محتواى آشکار پیام) جهت رسیدن به تفسیر» تعریف کرده است (Krippendorff, 2004). در این تعریف بر سه واژه «عینیت»، «کمّیت» و «سیستماتیک‌بودن» تأکید شده است. «عینیت» اشاره به این دارد که این پژوهش بر اساس قواعد، احکام و روش‌هاى مشخص انجام مى گیرد. بنابراین، به منظور اجتناب از سوگیرى نظر محقق در فرآیند تحقیق مى‌بایست تحقیق توسط مجموعه صریح و مشخصى از قواعد هدایت شود (ازکیا،1382: 390). «نظامدار و سیستماتیک‌بودن» آن نیز بدین معناست که مطالعه علاوه بر روشمندى، دایره شمول و طرح محتوا یا مقوله‌ها بر طبق قواعد کاربردى ثابتى مشخص شده است.

دو شرط عینیت و نظامداربودن، قابلیت تکرار این روش را می‌رساند، به گونه‌اى که سایر پژوهشگران نیز بتوانند با استفاده از روش‌هاى یکسان و اطّلاعات مشابه، به نتایج مشابهى برسند. از آن رو که هدف، تحلیل محتواى پیام‌ها در قالب عبارت‌هاى عددى و در نتیجه، استفاده از فنون کمّى است که قابلیت این روش را افزایش مى‌بخشد، باید داده‌هاى ما به صورت کمّى (درصد و شمارش) تبدیل شود. در غیر این صورت، تحلیل محتوا نیست. از میان سه نوع تحلیل محتوای مقوله‌ای، ارزیابی و تفاهم یا همبستگی در این پژوهش با توجه به نوع داده‌ها و اهداف مدنظر از نوع مقوله‌ای استفاه شد. شکل 1، فلوچارت روش پژوهش از نوع مقوله‌بندی را نشان می‌دهد.

 

 

نمودار 1- فلوچارت روش پژوهش

 

تحلیل‌های این پژوهش بر روی مجموعه داده ارایه شده توسط ستاد توسعه علوم‌ شناختی انجام می‌گیرد[7]. این مجموعه داده شامل پست‌ها و اخبار در رابطه با کوید 19 از شبکه‌های اجتماعی تلگرام، توییتر، اینستاگرام و اخبار داخلی است که در بازه زمانی یک بهمن ماه 1398 تا ده اردیبهشت 1399 منتشر شده‌اند. همه این پست‌ها و خبرها به زبان فارسی هستند. در این پژوهش از بخشی از مجموعه داده که به طور تصادفی توسط ستاد علوم شناختی برچسب‌گذاری شده است، استفاده می‌گردد. در مجموعه مورد پژوهش، ۶۳۳۹ پست (سند) موجود است که شامل ۷۸۸ متن خبر، ۲۰۷۳ پست اینستاگرامی، ۱۶۳۰ توییت و 1۸۴۸ پست تلگرام بودند. پست تکراری در این مجموعه داده وجود ندارد. داده‌ها برچسب‌گذاری شده‌اند.

برچسب‌های انتخابی شامل 65 برچسب در شش دسته کلی: احساس، قطبیت، موضوع، زیرموضوع با قطبیت، زیرموضوع بدون قطبیت، و رده ارزشی پست (نامرتبط، تبلیغاتی، ناقص و ...) بوده‌اند. برچسب‌های دسته احساس براساس مدل (Plutchik, 1980)  شامل شادی، غم، ترس، تنفر، خشم، شگفتی، اعتماد، پیش‌بینی، استرس و سایر هیجانات است. برچسب‌های قطبیت شامل مثبت، منفی و خنثی و برچسب‌های موضوعی شامل: علمی، مذهبی، بهداشت و درمان، سیاسی، فرهنگی و اجتماعی، طنز و فانتزی، اقتصادی و سایر موضوع‌ها هستند. برچسب‌های رده ارزشی پست نیز شامل: پست خالی، بی‌ربط، تبلیغاتی، پست عینی، و پست ناقص یا بی‌ارزش است. هر سند می‌تواند به‌طور همزمان چندین برچسب مختلف داشته باشد، برای مثال، یک سند ممکن است برچسب بهداشت و طنز را داشته باشد. برچسب‌ها به صورت باینری در نظر گرفته شده‌اند در صورتی که سندی دارای برچسب خاصی باشد مقدار یک و در غیر این صورت مقدار صفر به آن اختصاص داده می‌شود. جدول 1 مشخصات سندها و انواع برچسب‌های مربوط به هر سند را به صورت خلاصه نشان می‌دهد.

 

جدول 1- ویژگی‌های داده‌های جمع آوری

دسته‌ها

زیر دسته‌ها

نوع

شناسه سند

شناسه سند

عدد

محتوای سند

محتوای سند و محتوای پیش‌پردازش‌شده سند

رشته

احساس

شادی، غم، ترس، تنفر، خشم، شگفتی، اعتماد، پیش‌بینی، استرس و سایر هیجانات

باینری

قطبیت

مثبت، منفی، خنثی

باینری

موضوع

علمی، مذهبی، بهداشت و درمان، سیاسی، فرهنگی و اجتماعی، طنز و فانتزی، اقتصادی و سایر موضوعات

باینری

رده ارزشی

پست خالی، بی‌ربط، تبلیغاتی، پست عینی، و پست ناقص یا بی‌ارزش

باینری

 

ب) خوشه‌بندی: روش‌های مختلفی با رویکردهای متفاوت برای انجام تحلیل خوشه‌ای داده‌ها توسعه داده شد‌‌ه‌اند. هدف اصلی مسأله خوشه‌بندی، افراز یک مجموعه n تایی به k گروه است به نحوی که این افراز واریانس درون خوشه‌ای کل[8] را کمینه می‌کند. دو روش متداول در خوشه‌بندی، شبکه عصبی خود‌سازمان‌ده[9] (Liu et al., 2012 Khachidze et al., 2012 ;) و K-میانگین (Raykov et al., 2016) است. هر یک از این روش‌ها، مزایا و معایبی دارند. الگوریتم خوشه‌بندی دو‌‌مرحله‌ای بر اساس شبکه عصبی خودسازمان‌ده و K-میانگین نقص‌های هر یک از دو روش را جبران می‌کند و در عین حال، مزایای هر دو روش را داراست. پس از بررسی‌های اولیه، روش خوشه‌بندی دو‌مرحله‌ای برای پژوهش حاضر پیشنهاد شد. بنابراین در ادامه این روش‌ها به طور مجزا شرح داده شده‌اند.

 

ج) خوشه‌بندی پیشنهادی: یک الگوریتم دو‌مرحله‌ای براساس SOM و K-میانگین، از مزیت خوشه‌بندی اتوماتیک SOM استفاده می‌کند. برای تعیین سریع‌تر مراکز خوشه‌ها، داده‌های ورودی ابتدا به وسیله SOM خوشه‌بندی می‌شوند. نتایج حاصل از SOM بردار مراکز اولیه خوشه‌ها را برای روش K-میانگین فراهم می‌کند. ترکیب دو روش SOM و K-میانگین می‌تواند نقص‌های دو روش را جبران کند و نتایج خوشه‌بندی را بهبود بخشد (Khachidze et al., 2012). آموزش الگوریتم دو‌مرحله‌ای به صورت زیر است:

- ابتدا باید الگوریتم SOM پیاده‌سازی و داده‌ها به عنوان ورودی به آن ارائه شود. شبکه با این داده‌ها آموزش داده می‌شود و خروجی این مرحله بردارهای وزن شبکه خواهد بود. برای کاهش زمان آموزش، لازم نیست SOM تا همگرایی کامل ادامه دهد، مثلاً 200 سیکل کافیست.

- بردار وزن حاصل از خوشه‌بندی با SOM به عنوان مراکز اولیه خوشه‌ها در خوشه‌بندی با روش K-میانگین در نظر گرفته می‌شود و خوشه‌بندی با K- میانگین انجام می‌شود.

الگوریتم خوشه‌بندی دو‌مرحله‌ای بر اساس SOM و K-میانگین نه تنها ویژگی خود‌سازمان‌دهی SOM را دارد بلکه کارایی بالای روش K-میانگین را نیز داراست. بنابراین زمان طولانی همگرایی SOM و احتمال انتخاب نادرست مراکز اولیه خوشه‌ها در K-میانگین حل خواهد شد (Khachidze et al., 2012). در این پژوهش، برچسب سندها که به صورت باینری بودند به عنوان ورودی به شبکه SOM اعمال شدند. شبکه SOM شامل لایه ورودی (10 نورون)، لایه رقابتی و لایه خروجی است که تعداد نورون‌ها در لایه رقابتی و لایه خروجی به تعداد خوشه‌هاست. برای آموزش شبکه از حالت دسته‌ای[10] استفاده شده است. وزن‌های حاصل از آموزش شبکه SOM پس از 200 تکرار به عنوان مراکز اولیه خوشه‌ها در روش K-میانگین در نظر گرفته شدند.

 

یافته‌های پژوهش

در این بخش، نتایج آزمایش‌ها با استفاده از الگوریتم خوشه‌بندی پیشنهادی و تحلیل آن ارائه می‌شود. با توجه به اهمیتی که فرهنگ اعتماد در پذیرش یا عدم‌پذیرش پیام‌های ارجاعی دارد، وضعیت شاخص اعتماد در خوشه‌ها بررسی شده است.

 

1) تعیین تعداد بهینه خوشه‌ها

روش خوشه‌بندی پیشنهادی، پارامتر ورودی k را دریافت و داده‌ها را در k خوشه گروه‌بندی می‌کند. به منظور تعیین تعداد خوشه‌های بهینه، از معیار Calinski-Harabasz استفاده شده است که برای k بهینه مقدار معیار مذکور بیشینه می‌شود. برای این منظور مقدار پارامتر k در بازه ۱ تا ۱۵۰ تغییر می‌کند. نتایج محاسبه معیار مذکور در نمودار 2 نشان داده شده است. در این شکل، محور افقی مقادیر مختلف k (تعداد خوشه) و محور عمودی مقدار معیار Calinski-Harabasz به ازای مقادیر مختلف k را نمایش می‌دهد. همان طور که مشاهده می‌شود، بر اساس معیار مذکور، تعداد خوشة بهینه عدد ۲ است. بنابراین برای پاسخ به سوالات پژوهشی، روش پیشنهادی با پارامتر ورودی ۲ اجرا و نتایج آن را تحلیل شده است.

در این مطالعه، ابتدا نتایج خوشه‌بندی SOM با 65 برچسب تحلیل شد و نتایج نشان دادند که یکی از برچسب‌ها تأثیری بر آموزش شبکه SOM ندارد. بنابراین، این برچسب حذف شد و خوشه‌بندی بر روی سندهایی با ۶۴  برچسب انجام گرفت، در ادامه نتایج اجرای روش پیشنهادی با پارامتر ورودی ۶۴ نیز بررسی می‌شود.

 

 

نمودار 1- مقدار معیارCalinski-Harabasz  به ازای تعداد خوشه‌ها در بازه 1 تا 150

 

2) نتایج گروه‌بندی داده‌ها در دو خوشه

در مرحله اول الگوریتم خوشه‌بندی با پارامتر ورودی ۲ اجرا می‌شود. الگوریتم خوشه‌بندی، دو خوشه ایجاد می‌کند که خوشه اول شامل ۴۴۴۶ (۷۰%) پیام و خوشه دوم شامل ۱۳۲۰ (۳۰%) پیام است. جدول 3، نتایج این خوشه‌بندی را نشان می‌دهد. در ادامه، خوشه اول به نام خوشه بزرگ و خوشه دوم به نام خوشه کوچک نامیده می‌شود. همانطور که ذکر شد، ۶۴ برچسب در داده‌ها وجود دارد که در چهار گروه طبقه‌بندی شده‌اند. در جدول 2، ستون‌های نام برچسب، گروهی که برچسب متعلق به آن است، کل داده و خوشه اول ‌(خوشه بزرگ) و خوشه دوم (خوشه کوچک) مشاهده می‌شود. لازم به ذکر است در جدول مذکور برچسب‌های موثر در تحلیل اعتماد ذکر شده است.

در هر سطر از جدول 2، تعداد برچسب‌های مشاهده شده در کل داده‌، خوشه بزرگ و خوشه کوچک نشان داده شده است. به عنوان مثال، در سطر شماره ۱، برچسب بهداشت و درمان مشاهده می‌شود، این برچسب در گروه موضوع قرار دارد. تعداد این برچسب در کل داده‌ها برابر ۲۶۸۶ مورد است. با توجه به اینکه در کل داده‌ها ۶۳۳۹ سند وجود دارد، این برچسب حدود ۴۲% کل داده‌ها می‌باشد. در خوشه بزرگ ۱۲۰۱ برچسب بهداشت و درمان مشاهده شده است. با توجه به تعداد سندها در خوشه اول (۴۴۴۶ سند)، حدود ۲۷% سندها برچسب بهداشت و درمان دارند. در خوشه کوچک ۱۴۸۵ برچسب بهداشت و درمان قرار گرفته است. با توجه به اینکه در خوشه دوم ۱۳۲۰ سند قرار دارد، تعداد برچسب‌های بهداشت و درمان ۷۸.۴% از کل خوشه کوچک است.

جدول 2- نتایج گروه‌بندی داده‌ها براساس الگوریتم پیشنهادی در دو خوشه

ردیف

نام برچسب

گروه‌بندی برچسب

کل داده

خوشه اول (خوشه بزرگ)

خوشه دوم (خوشه کوچک‌)

۱

بهداشت و درمان

موضوع

۲۶۸۶ (۴۲%)

۱۲۰۱ (۲۷%)

۱۴۸۵ (۴.۷۸%)

۲

فرهنگی و اجتماعی

موضوع

۱۹۰۶ (۳۰%)

۱۳۳۴(۳۰%)

۵۷۲ (۳۰%)

۳

منفی

قطبیت

۱۵۱۱ (۸۳.۲۳%)

۱۴۲۶ (۱.۳۲%)

۸۵ (۴%)

۴

خنثی

قطبیت

۱۶۰۹ (۳۷.۲۵%)

۶۱۵ (۸.۱۳%)

۹۹۴ (۵۲%)

۵

اعتماد

احساسات

۲۴۹ (۹۲.۳%)

۲۳۳ (۲.۵%)

۱۶ (0.8%)

۶

ترس

احساسات

۳۳۱ (۲۲.۵%)

۲۹۳ (6.6%)

۳۸ (۲%)

۷

غم

احساسات

436 (۸۷.۶%)

393 (۸۴.۸%)

43 (۳.۲%)

۸

خشم

احساسات

636 (۰۳.۱۰%)

621 (۱۴%)

15 (0.8%)

۹

تنفر

احساسات

498 (۸۵.۷%)

488 (11%)

10 (0.5%)

۱۰

عملکرد نهادها و افراد-

زیرموضوع

1209 (۱۹%)

739 (16.6%)

470 (24.8%)

۱۱

عملکرد نهادها و افراد+

زیرموضوع

۱۱۷۴ (18.51%)

۴۴۷ (10.05%)

۷۲۷  (38.38%)

۱۲

اخبار، اطّلاعات و آمار-

زیرموضوع

1728 (۲۷%)

247 (5.6%)

1481 (78.2%)

۱۳

اخبار، اطّلاعات و آمار+

زیرموضوع

۱۶۱۵ (۴۷.۲۵%)

۱۰۳ (۳۱.۲%)

۱۵۱۲ (79.83%)

 

بررسی‌ها نشان می‌دهد در کل داده‌ها، درصد بالایی از پیام‌ها در حوزه بهداشت و درمان و یا فرهنگی و اجتماعی می‌باشند و پیام‌ها با قطبیت غیرمثبت (منفی یا خنثی) در حدود ۵۰% کل پیام‌ها هستند و ۲۷% کل پیام‌ها در حوزه اخبار، اطّلاعات و آمار با قطبیت منفی هستند. در خوشه بزرگ، حدود ۵% از پیام‌ها برچسب اعتماد دارند و حدود ۱۶% به عملکرد منفی نهادها و افراد در جامعه مربوط می‌شود. در خوشه دوم، حدود ۷۰% پیام‌ها در حوزه بهداشت درمان و ۳۸% پیام‌ها در خصوص عملکرد مثبت نهادها و مردم بوده‌اند. این درحالی است که در این خوشه، ۵۰% پیام‌ها قطبیت خنثی دارند و احساسات منفی خاصی (مانند ترس، خشم و تنفر) ایجاد نکرده‌اند.

نظر به این که داده‌ها از چهار رسانه اجتماعی یعنی توییتر، اینستاگرام، کانال‌های خبری و تلگرام استخراج شده‌اند، در خوشه بزرگ حدود ۷۰% از پیام‌ها مربوط به توییتر و اینستاگرام هستند؛ در حالی که ۷۱% از خوشه کوچک را پیام‌های تلگرام و اخبار تشکیل می‌دهد.

 نتایج در خوشه‌های مورد بررسی نشان می‌دهد در خوشه اول، پیام‌های با قطبیت غیرمثبت که مربوط به عملکرد منفی نهادها و مردم در حوزه بهداشت و درمان و یا فرهنگی و اجتماعی هستند، روی اعتماد منفی افراد مؤثر هستند. این نوع پیام‌ها منجر به احساسات منفی مانند ترس، غم، خشم و تنفر در افراد شده‌اند. از سوی دیگر درخوشه دوم پیام‌های مربوط به عملکرد مثبت نهادها و مردم در حوزه بهداشت و درمان در ایجاد اعتماد نقشی نداشته‌اند و غالباً قطبیت آن‌ها خنثی بوده است.

 

3) نتایج گروه‌بندی در شصت و چهار خوشه

در ادامه، تحلیل خوشه‌های ایجاد شده توسط الگوریتم پیشنهادی با پارامتر ورودی ۶۴ خوشه بررسی می‌شود (یعنی گروه‌بندی داده‌ها در ۶۴ خوشه). در این شرایط برای تحلیل، دو خوشه با بیشترین و کمترین تعداد برچسب اعتماد مورد بررسی قرار گرفته است. خوشه اول با کمترین تعداد برچسب شامل ۶۹ پیام است؛ در حالی که خوشه دوم با بیشترین تعداد برچسب اعتماد شامل ۹۲ پیام است. تعداد برچسب‌های مختلف در این دو خوشه در جدول 3 نشان داده شده است. در هر سطر، نام برچسب، گروهی که برچسب به آن تعلق دارد، و همچنین تعداد و درصد مشاهده هر برچسب در خوشه اول و دوم بیان شده است. برای مثال، برچسب بهداشت و درمان که در گروه‌بندی موضوع قرار دارد در خوشه اول ۳۱ مورد مشاهده شده است در حالی که در خوشه دوم ۷۸ مورد دیده شده است.

 

جدول 3- نتایج اجرای الگویتم خوشه‌یابی با تعداد ۶۴ خوشه

ردیف

نام برچسب

گروه‌بندی برچسب

خوشه اول (کمترین برچسب اعتماد)

خوشه دوم (بیشترین برچسب اعتماد)

۱

بهداشت و درمان

موضوع

۳۱ (۹۲.۴۴%)

۷۸ (۷۸.۸۴%)

۲

فرهنگی و اجتماعی

موضوع

۵ (۲۴.۷%)

۱۳ (۱۳.۱۴%)

۳

منفی

قطبیت

۱ (۴۴.۱%)

۸۸ (۶۵.۹۵%)

۴

خنثی

قطبیت

۴۵ (۲۴.۶۵%)

۱ (۰۸.۱%)

۵

اعتماد

احساسات

۰ (۰%)

۷۴ (۴۳.۸۰%)

۶

ترس

احساسات

۰ (۰%)

۳ (۲۶.۳%)

۷

غم

احساسات

۰ (۰%)

۳ (۲۶.۳%)

۸

خشم

احساسات

۰ (۰%)

۱۵ (۳۰.۱۶%)

۹

تنفر

احساسات

۰ (۰%)

۱۰ (۸۶.۱۰%)

۱۰

عملکرد نهادها و افراد-

زیرموضوع

۱ (۴۴.۱%)

۲۵ (۱۷.۲۷%)

۱۱

اخبار، اطّلاعات و آمار-

زیرموضوع

۶۶ (۶۵.۹۵%)

۱۴ (۲۱.۱۵٪)

با توجه به تعداد سندها در خوشه اول، برچسب بهداشت و درمان ۹۲.۴۴ درصد کل سندها در خوشه اول را تشکیل می‌دهد، در حالی که سندها با برچسب مذکور ۷۸.۸۴ درصد از سندهای موجود در خوشه دوم است. در خوشه دوم سندهای حوزه بهداشت و درمان که مربوط به عملکرد منفی دولت ایران است، منجر به اعتماد منفی شده است. در همین خوشه تعداد برچسب شفافیت منفی پیام بالا است. این سندها منجر به احساسات منفی مانند خشم و تنفر شده‌اند.

 

 

 

بحث و نتیجه‌گیری

این پژوهش، روش‌های یادگیری ماشین را برای بهبود سلامت عمومی در زمان شیوع، از طریق بهره‌گیری از اطلاعات ناشناخته در رسانه‌های اجتماعی، مورد استفاده قرار داده است. نتایج این تحقیق می‌تواند به مراقبت‌های بهداشتی کمک کند تا برای شرایط آینده یا همه‌گیری‌های جدید آماده شوند، و همچنین همکاری با وزارت بهداشت، درمان و آموزش پزشکی بسیار اساسی است؛ آن‌ها ممکن است از نتایج این پژوهش برای تصمیم‌گیری در مورد بهترین عملکرد در شرایط فعلی و آینده استفاده کنند.

تمرکز ما در این مطالعه، بررسی تاب‌آوری جامعه ایران در برابر بحران کرونا و ارائه راهکاری برای ارتقاء تاب‌آوری در بحران‌های مشابه است. بررسی سندهای جمع‌آوری‌شده در شبکه‌های ا‌جتماعی در بحران کرونا نشان می‌دهد، سندهایی که مورد اعتماد واقع شده‌اند از طریق اینستاگرام و کانال‌های خبری منتشر شده‌اند. فعالان اجتماعی در ایجاد اعتماد یا عدم‌اعتماد مخاطبان به سندها بسیار تأثیرگذار بوده‌اند. در واقع، سندهایی که تحت متغیر امید بوده‌اند بیشتر از سندهای دیگر مورد اعتماد واقع شده‌اند. از سویی، بررسی دقیق‌تر متن سندهای قرار گرفته در خوشه دارای بیشترین برچسب اعتماد نشان می‌دهد که دین با تأکید بر مؤلفه‌های هویت ملی مانند  توانایی جلب اعتماد را داشته است.

تحلیل وضعیت اعتماد در سندها، حاکی از این است که سندهایی که بیشتر مورد اعتماد بوده‌اند در حوزة سیاسی طبقه‌بندی شده‌اند و با وجود این که کرونا یک بیماری است و طبق انتظار می‌بایست سند‌های ارسال شده توسط کارکنان حوزه بهداشت و سلامت مورد توجه و اعتماد مثبت قرار گیرد، اما متأسفانه حتی اعتماد مثبت به حوزه بهداشت و سلامت کمتر از حوزه اجتماعی فرهنگی بوده است. تحت شاخص اعتماد منفی، اگر سندهای مبنی بر بهبود وضعیت بهداشتی وجود داشته است، مخاطبان نسبت به آن‌ها بی‌اعتماد بوده‌اند. بیشتر پیام‌های ارسال‌شده در این حوزه از سوی فعالان اجتماعی ارسال شده است و در واقع، آن‌ها در ایجاد اعتماد مخدوش به پیام‌ها تأثیرگذار بوده‌اند.

در واقع، اعتماد مثبت و اعتماد منفی تداعی‌گر یک شرایط بودند. در بخش اعتماد مثبت، بیشتر سندهایی که در برابر سیاستمداران و تأثیر آن‌ها در اشاعه بیماری کرونا بوده است، مورد اعتماد واقع شده‌اند و تحت شاخص اعتماد منفی، مردم سندهایی که وضعیت بهداشت و سلامت و یا آمادگی مواجه با این بیماری در کشور را ارائه کرده‌اند را نپذیرفته‌اند و نسبت به آن‌ها بی‌اعتماد بوده‌اند.

با توجه به این نتایج پیشنهاد می‌شود، برای ارائه پیام‌های بهداشتی به مردم که مربوط به وضعیت بهداشت و سلامت افراد جامعه است، باید پیام‌های غیر‌سیاسی استفاده شود. در واقع، از تحلیل این شاخص می‌توان نتیجه گرفت که برای بهبود اعتماد سلب شده توسط شبکه‌های مختلف، ابتدا مراجع ایجاد بی‌اعتمادی را شناخته و در ادامه مواجهه‌ای مناسب انتخاب شود.

یکی از ساز و کارهای بهبود تاب‌آوری مردم در عرصه بحران، ارتباطات مخاطره است، در واقع، در این حوزه منابع اطّلاعاتی باید قادر باشند درجه‌ای از اعتماد را در بین مخاطبان ایجاد کنند. مخاطبان با به دست آوردن سطحی از اعتماد، احساس نگرانی کمتری از شرایط خواهند داشت. به همین دلیل رسانه‌ها باید اهتمام خود را برای ایجاد اعتماد در بین مردم مصروف دارند. در اولین قدم باید به مسیرهایی که امکان ایجاد اعتماد را دارند توجه کرد.

در واقع، اولین عاملی که باید در عرصة پیام به آن توجه داشت، این است که:

- داشته‌ها و پتانسیل‌های ما برای اقناع نظر و اعتمادسازی در بین مخاطبان چیست؟

- با چه موضوع‌هایی توانایی اقناع مخاطبان را دارا هستیم؟

طبقه‌بندی سندها در موضوع‌های متفاوت نشان داد که ایجادکنندة پیام از ابعاد مختلفی توانایی انتقال و اقناع مخاطبان را دارا می‌باشد، که عبارتند از: منظر مذهبی، منظر سیاسی، منظر فرهنگی، منظر اقتصادی، منظر بهداشت و سلامت، منظر اجتماعی، طنز و علمی. تحلیل داده‌های پژوهش نشان داد که به تناسب این که موضوع ویروس کرونا یک بیماری است و انتظار می‌رود از منظر علمی بیش از دیگر موضوع‌ها پیام‌هایی به اشتراک گذاشته شود، اما پیام‌های منتشرشده در این موضوع قابل تأمل نیست و پیام‌ها اکثراً در موضوع‌های اجتماعی، فرهنگی، بهداشت و سلامت منتشر شده‌اند و پیام‌هایی که در گفتمان اجتماعی و فرهنگی تولید شده‌اند، بیش از دیگر گفتمان‌ها توانایی جذب اعتماد را داشته‌اند و در واقع، رهبران افکار در ایران فعالان اجتماعی بوده‌اند.

پس با این وجود، تولید‌کنندگان پیام‌ها در شرایط بحرانی برای مدیریت بحران و بالابردن تاب‌آوری مخاطبان باید به این نکته توجه داشته باشند که گفتمان‌های سیاسی و مذهبی که گفتمان‌های مورد علاقه و رایج برای اشاعه پیام هستند در جامعه ایران در بین مخاطبان کمتر مورد توجه هستند و پیام‌ها از این مسیرها با بی‌اعتمادی همراه خواهند بود. بنابراین سعی شود تولید محتوا در گفتمان اجتماعی و فرهنگی انجام و اشاعه شود، تحلیل داده‌ها نشان می‌دهد رهبران فکری به رهبران فرهنگی و اجتماعی شیفت یافته‌اند.

از سوی دیگر، پیام‌ها در وضعیت بحرانی علاوه بر اهداف پیشین یعنی کاهش نگرانی مردم و نیز راهنمایی آنان، با این هدف پنهان و مهم‌تر تدوین شود که فرصتی برای اقدامات، مطالعات و پیام‌های بعدی برای تیم مدیریت و تیم ارتباطات ایجاد کند. در یک وضعیت حساس و مجادله‌انگیز (بحران) باید پیام را دقیق طراحی کرد. یک تکنیک مفید برای این کار، «تهیه نقشه پیام[11]» است. پیام خطر در عین حال باید واجد برخی ویژگی‌هایی باشد که می‌توان آن‌ها را به این شرح برشمرد:

- سادگی: عدم‌استفاده از عبارات بوروکراتیک، علمی و تکنیکی؛

- نتیجه‌گیری: اجتناب از ارائه پیام‌های متضاد و در عوض، تنظیم پیام‌های شفاف و روشن؛

- نکته کلیدی: بیان نکته کلیدی در ابتدای خبر؛

- لحن: انتخاب لحن مناسب؛

- اعتبار: اعتبار فرد یا نهاد ارائه‌کننده پیام نزد مردم؛

- تنظیم پیام برای گروه هدف: در نهایت، پیام، باید برای گروه هدف مشخصی طراحی و تنظیم شود.

تحلیل و مقایسه پیام‌هایی که باعث اعتماد مثبت و منفی شده بودند، نشان داد که یکی از علل چرخش جهت از اعتماد مثبت به اعتماد منفی، عدم‌استفاده از عبارات مناسب، علمی و تکنیکی بوده است. پیام‌هایی که با گفتمان‌هایی که تداعی‌کنندة تنش و ناآرامی هستند (مثل جنگ یا هر نوع ناامنی دیگری) ارائه می‌شوند با بی‌اعتمادی مخاطبان مواجه شده‌اند. در واقع، پیام‌هایی که در آن‌ها تیم سلامت و درمان را در ترکیب با عبارت و نشانه‌هایی مثل مدافع، خط مقدم، سنگرها، جنگ و ... ذکر کرده بودند، پیام را با وضعیت متشنجی از حالت مثبت به حالت منفی تغییر داده است. لازم به ذکر است این کلمات به عنوان نشانه و تداعی‌کنندة عرصة نزاع هستند. پیام‌هایی از این قبیل که احساس ناامنی و تنش را تشدید کرده‌اند، از سوی مخاطبان با بی‌اعتمادی مواجه شده‌اند.

ناگفته پیداست که پیام‌های ساده، اقناع‌کنندگی و ایجاد اعتماد بالاتری نسبت به پیام‌های مرکب داشته‌اند. همان طور که در بالا اشاره شد، پیام‌هایی که تداعی‌گر تنش هستند در صورت ترکیب، حالت منفی و بی‌اعتمادی را ایجاد کرده‌اند، اما همین حالت اگر شق دیگری هم به آن اضافه شود و جمله از حالت ترکیب دو‌مفهومی به سه مفهومی تبدیل شود و مفهوم سوم در حوزة هویت و ریشه‌های هویتی باشد، پیام از حالت اعتماد منفی به اعتماد مثبت چرخش یافته است.

از سویی، تحلیل پیام‌ها همچنین نشان داد پیام‌هایی که محتوای مثبت داشته‌اند، بیشتر از پیام‌هایی که محتوای منفی داشته‌اند، موجد اعتماد مثبت شده‌اند و از سویی، پیام‌هایی که محتوای منفی داشته‌اند بیشتر از پیام‌هایی که محتوای مثبت داشته‌اند، موجد اعتماد منفی شده‌اند. تولیدکنندگان پیام باید سعی کنند در تولید پیام‌ها در شرایط بحرانی، با محتوای مثبت پیام خود را به مخاطبشان انتقال دهند. در واقع، محتوای منفی پیام باعث اختلال در دریافت آن توسط مخاطب می‌شود.

یکی دیگر از متغیرهایی که در ارتباطات اثر‌بخش و بالابردن تاب‌آوری به آن تأکید شده است، استفاده از متغیر ترس می‌باشد. این درحالی است که در پیام‌های بررسی شده در پژوهش حاضر، تولیدکنندگان پیام نتوانسته‌اند در اقناع و ایجاد اعتماد از این متغیر استفاده مناسب ببرند و پیام‌ها بیشتر از این که احساس ترس در آن‌ها استفاده شده باشد، حالت خنثی دارند. در واقع، بین ترس و اعتماد در بین پیام‌های دریافت شده از سوی مخاطبین رابطه وجود نداشته است.

عامل دیگری که در ارتباطات اثر‌بخش در ایجاد اقناع و اعتماد مخاطبان پیام‌ها تأثیر تعیین‌کننده داشته است، تکرار پیام‌های منتشر شده است. با توجه به چندمنبعی و چندراستایی‌بودن پیام‌های تحلیل شده در این پژوهش، تکرار کمتر دیده شد. در واقع، به نظر می‌رسد زمانی می‌توان پیام‌ها را از نظر تکرار تحلیل کرد که همة تولید‌کنندگان پیام‌ها (اینستاگرام، تلگرام، ...) در یک راستا و تحت یک مرجع مشخص باشند که در این پژوهش این امکان فراهم نبود.

در پایان، همان طور که در نمودار 3 مشاهده می‌شود، برای عبور از وضعیت موجود که در آن گفتمان سیاسی ناکارامد است و مراجع تولید پیام همراستا نیستند و نیز نیل به وضعیت ایده‌ال که در آن مخاطبان با پست‌های موجود در شبکه‌های اجتماعی و کانال‌های خبری اقناع شده است و تاب‌آوری جامعه در بحران بالا است، می‌توان از راهبردهای ذکر شده در بالا استفاده کرده که به طور کلی در نمودار 3 بیان شده‌اند.

این پژوهش، محدودیت‌هایی داشت. به عنوان نمونه، تعداد پست‌های مجموعه داده‌ای که در مرحله اول توسط ستاد توسعه علوم شناختی منتشر شده است، محدود است. بنابراین به عنوان کارهای آتی پیشنهاد می‌شود با استفاده از روش‌های کلاس‌بندی تعداد بیشتری از پست‌های جمع‌آوری‌شده برچسب‌گذاری شوند. در نتیجه می‌توان ویژگی‌های هر خوشه را با دقت بالاتر بررسی و شناسایی کرد. همچنین می‌توان از روش‌های یادگیری عمیق برای کلاس‌بندی و برچسب‌گذاری سندها استفاده کرد. در پایان، پیشنهاد می‌شود برای ارتباط بین هر متغیر داده‌ها وارد نرم افزارSPSS  شوند و این ارتباطات یک‌سویه و دوسویه مشخص گردد.

 

 

شکل 2- نمودار تغییر و راهبرد پیشنهادی

 

 

[1]. Clustering

[2]. Sentiment Analysis

 

[3]. Situational

[4]. Linear regression

[5]. Multinomial logistic regression

[6]. K-Nearest Neighbor

[7]. مجموعه داده، با حمایت ستاد توسعه علوم‌ شناختی در آزمایشگاه شبکه‌های اجتماعی دانشکده برق و کامپیوتر دانشگاه تهران جمع‌آوری شده است. پردازش و برچسب‌زنی دستی این مجموعه در آزمایشگاه پردازش زبان فارسی دانشکده کامپیوتر دانشگاه شهید بهشتی انجام شده است. دوازده نفر این سندها را برچسب زدند. مجموعه داده در آدرس  https://covidchallenge.cogc.ir قابل دسترسی است. پیش‌پردازش‌های موردنیاز بر روی داده انجام شده است.  

[8]. Total within-cluster variation

[9]. Self Organization Map (SOM)

[10]. Batch mode

[11]. Message mapping

References

أزکیا، مصطفى (1382). روش‌هاى کاربردى تحقیق، تهران: کیهان.
Abd-Alrazaq, A., Alhuwail, D., Househ, M., Hamdi, M., & Shah, Z. (2020). Top concerns of tweeters during the COVID-19 pandemic: Infoveillance study. Journal of Medical Internet Research, 22(4), e19016. https://doi.org/10.2196/19016
Balog-Way, D. H., & McComas, K. A. (2022). COVID-19: Reflections on trust, tradeoffs, and preparedness. In COVID-19 (pp. 6-16). Routledge.     
Bode, L., & Vraga, E. K. (2018). See something, say something: Correction of global health misinformation on social media. Health communication, 33(9), 1131-1140. https://doi.org/10.1080/10410236.2017.1331312
      
Coombs, W. T. (2007). Crisis management and communications. Institute for public relations, 4(5), 6.
Forsyth, P. B., Adams, C. M., & Hoy, W. K. (2011). Collective Trust: Why Schools Can’t Improve without It, Columbia University.
Ghanem, B., Rosso, P., & Rangel, F. (2020). An emotional analysis of false information in social media and news articles. ACM Transactions on Internet Technology (TOIT), 20(2), 1-18. https://doi.org/10.1145/3381750
Hitlin, P., & Olmstead, K. (2018). The science people see on social media. Pew Research Center.
Ji, X., Chun, S. A., & Geller, J. (2013, September). Monitoring public health concerns using twitter sentiment classifications. In 2013 IEEE International Conference on Healthcare Informatics (pp. 335-344). IEEE. https://doi.org/10.1109/ICHI.2013.47
Khachidze, V., Wang, T., Siddiqui, S., Liu, V., Cappuccio, S., & Lim, A. (Eds.). (2012). Contemporary Research on E-business Technology and Strategy: International Conference, ICETS 2012, Tianjin, China, August 29-31, 2012, Revised Selected Papers (Vol. 332). Springer.
Kou, Y., Cui, H., & Xu, L. (2012). The Application of SOM and k-means algorithms in public security performance analysis and forecasting. In: Khachidze, V., Wang, T., Siddiqui, S., Liu, V., Cappuccio, S., & Lim, A. (Eds.), Contemporary Research on E-business Technology and Strategy: International Conference, iCETS 2012, Tianjin, China, August 29-31, 2012, Revised Selected Papers (pp. 73-84). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-34447-3_7
 Krippendorff, K. (2004). Content analysis: An introduction to its methodology 2nd ed. Sage publications.
Lazard, A. J., Scheinfeld, E., Bernhardt, J. M., Wilcox, G. B., & Suran, M. (2015). Detecting themes of public concern: a text mining analysis of the Centers for Disease Control and Prevention's Ebola live Twitter chat. American journal of infection control, 43(10), 1109-1111. https://doi.org/10.1016/j.ajic.2015.05.025
Li, L., Zhang, Q., Wang, X., Zhang, J., Wang, T., Gao, T. L., ... & Wang, F. Y. (2020). Characterizing the propagation of situational information in social media during covid-19 epidemic: A case study on weibo. IEEE Transactions on computational social systems, 7(2), 556-562. https://doi.org/10.1109/TCSS.2020.2980007
Liu, Y. C., Liu, M., & Wang, X. L. (2012). Application of self-organizing maps in text clustering: a review (Vol. 10). Chapter.
Llewellyn, S. (2020). Covid-19: how to be careful with trust and expertise on social media. BMJ, 368. https://doi.org/10.1136/bmj.m1160
Lopez, C. E., Vasu, M., & Gallemore, C. (2020). Understanding the perception of COVID-19 policies by mining a multilanguage Twitter dataset. arXiv preprint arXiv:2003.10359.
https://doi.org/10.48550/arXiv.2003.10359
Matsa, K. E. and E. Shearer (2018). "News use across social media platforms 2018." Pew Research Center 10.
Miller, M., Banerjee, T., Muppalla, R., Romine, W., & Sheth, A. (2017). What are people tweeting about Zika? An exploratory study concerning its symptoms, treatment, transmission, and prevention. JMIR public health and surveillance, 3(2), e7157.  https://doi.org/10.2196/publichealth.7157
Mosam, A., Goldstein, S., Erzse, A., Tugendhaft, A., & Hofman, K. (2020). Building trust during COVID 19: value-driven and ethical priority-setting. South African Medical Journal, 110(6), 443-444. https://hdl.handle.net/10520/EJC-1dbe42e643
Nemes, L., & Kiss, A. (2021). Social media sentiment analysis based on COVID-19. Journal of Information and Telecommunication, 5(1), 1-15. https://doi.org/10.1080/24751839.2020.1790793
Oksanen, A., Kaakinen, M., Latikka, R., Savolainen, I., Savela, N., & Koivula, A. (2020). Regulation and trust: 3-month follow-up study on COVID-19 mortality in 25 European countries. JMIR Public Health and Surveillance, 6(2), e19218. https://doi.org/10.2196/19218
Palenchar, M. J., & Heath, R. L. (2007). Strategic risk communication: Adding value to society. Public relations review, 33(2), 120-129. https://doi.org/10.1016/j.pubrev.2006.11.014
Pastor-Escuredo, D., & Tarazona, C. (2020). Characterizing information leaders in Twitter during COVID-19 Pandemic. arXiv preprint arXiv:2005.07266.
https://doi.org/10.48550/arXiv.2005.07266
Pierri, F., & Ceri, S. (2019). False news on social media: a data-driven survey. ACM Sigmod Record, 48(2), 18-27. https://doi.org/10.1145/3377330.3377334
Plutchik, R. (1980). A general psychoevolutionary theory of emotion. In Theories of emotion (pp. 3-33). Academic press. https://doi.org/10.1016/B978-0-12-558701-3.50007-7
Popat, K., Mukherjee, S., Yates, A., & Weikum, G. (2018). Declare: Debunking fake news and false claims using evidence-aware deep learning. arXiv preprint arXiv:1809.06416.
https://doi.org/10.48550/arXiv.1809.06416
Raykov, Y. P., Boukouvalas, A., Baig, F., & Little, M. A. (2016). What to do when K-means clustering fails: a simple yet principled alternative algorithm. PloS one, 11(9), e0162259. https://doi.org/10.1371/journal.pone.0162259
Rogers, E. M., & Cartano, D. G. (1962). Methods of measuring opinion leadership. Public opinion quarterly, 435-441.
Ruchansky, N., Seo, S., & Liu, Y. (2017, November). Csi: A hybrid deep model for fake news detection. In Proceedings of the 2017 ACM on Conference on Information and Knowledge Management (pp. 797-806). https://doi.org/10.1145/3132847.3132877
Severin, W. J., & Tankard, J. W. (1997). Communication theories: Origins, methods, and uses in the mass media (pp. 300-310). New York: Longman.
Sherchan, W., Nepal, S., & Paris, C. (2013). A survey of trust in social networks. ACM Computing Surveys (CSUR), 45(4), 1-33. https://doi.org/10.1145/2501654.2501661
Singh, L., Bansal, S., Bode, L., Budak, C., Chi, G., Kawintiranon, K., ... & Wang, Y. (2020). A first  look at COVID-19 information and misinformation sharing on Twitter. arXiv preprint arXiv:2003.13907. through Twitter, M. I. A. Towards Real-Time Measurement of Public Epidemic Awareness. https://doi.org/10.48550/arXiv.2003.13907
Tran, T., & Lee, K. (2016, August). Understanding citizen reactions and Ebola-related information propagation on social media. In 2016 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM) (pp. 106-111). IEEE. https://doi.org/10.1109/ASONAM.2016.7752221
Vijayan, V. K., Bindu, K. R., & Parameswaran, L. (2017, September). A comprehensive study of text classification algorithms. In 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI) (pp. 1109-1113). IEEE.  https://doi.org/10.1109/ICACCI.2017.8125990
Pavlović Vinogradac, V., Pavičić Vukičević, J., & Cajner Mraović, I. (2020). Value system as a factor of young people’s trust in education during the COVID-19 pandemic in three countries of Southeast Europe. Društvene i humanističke studije, 5(3 (12)), 331-353. https://www.ceeol.com/search/article-detail?id=887516
Waszak, P. M., Kasprzycka-Waszak, W., & Kubanek, A. (2018). The spread of medical fake news in social media–the pilot quantitative study. Health Policy and Technology, 7(2), 115-118. https://doi.org/10.1016/j.hlpt.2018.03.002
Wicke, P., & Bolognesi, M. M. (2020). Framing COVID-19: How we conceptualize and discuss the pandemic on Twitter. PloS One, 15(9), e0240010. https://doi.org/10.1371/journal.pone.0240010
Zarocostas, J. (2020). How to fight an infodemic. The Lancet, 395(10225), 676. https://doi.org/10.1016/S0140-6736(20)30461-X
Journal of Social Continuity and Change (JSCC)
Volume 2, Issue 2
March 2024
Pages 377-393

Files

Share

How to cite

Statistics