{"id":3433,"date":"2025-02-27T16:08:26","date_gmt":"2025-02-27T15:08:26","guid":{"rendered":"https:\/\/blog.uantwerpen.be\/bladspiegel\/?p=3433"},"modified":"2025-03-17T14:32:48","modified_gmt":"2025-03-17T13:32:48","slug":"mltc","status":"publish","type":"post","link":"https:\/\/blog.uantwerpen.be\/bladspiegel\/mltc\/","title":{"rendered":"Een onmisbaar stuk in de puzzel van data-analyse"},"content":{"rendered":"\n
\n
Short English version<\/a><\/div>\n<\/div>\n\n\n\n
<\/div>\n\n\n\n

Bij gebrek aan echt sociaal contact tijdens de covidcrisis, schreven talloze mensen op sociale media over hun twijfels om zich te laten vaccineren. Al die Facebook- en X-berichten zijn een schat aan informatie om de argumenten tegen vaccins te analyseren. Jens Van Nooten (CLiPS<\/a>) gebruikte Multi-Label Tekstclassificatie (MLTC) om deze enorme tekstcollectie met behulp van AI-modellen te voorzien van passende labels, zoals topics, emoties of medische codes. MLTC is volgens Jens onmisbaar om trends op grote schaal te onderzoeken, maar er is een reeks uitdagingen aan verbonden.<\/strong> <\/strong>(Tekst: Jens Van Nooten)<\/p>\n\n\n\n

Vaccinatietwijfel in kaart te brengen<\/h2>\n\n\n\n

Jens Van Nootens onderzoek bestond deels uit argumenten detecteren over vaccinatietwijfel in Facebookreacties en X-posts. Zo ontwikkelde hij met andere onderzoekers aan de Universiteit Antwerpen een monitor om vaccinatietwijfel in Vlaanderen en Nederland in kaart te brengen, genaamd Vaccinpraat. Dit deden ze door neurale netwerken te trainen om ten eerste vaccinatietwijfel op te sporen en ten tweede de argumenten hiervoor te classificeren. Denk bijvoorbeeld aan complottheorie\u00ebn over vaccins of zorgen rond de veiligheid ervan.<\/p>\n\n\n\n

Doordat een bericht meerdere argumenten kon bevatten, was er nood aan een multi-label classificatiemodel. Dit bleek echter uitdagend te zijn, want de modellen waren niet gewend aan het unieke taalgebruik in covidgerelateerde teksten. Daarom trainde Jens met collega-onderzoekers een nieuw taalmodel dat gespecialiseerd is in het taalgebruik in covidgerelateerde X-berichten. Daarnaast onderzocht hij hoe overtuigend huidige taalmodellen zelf X-posts kunnen genereren die vaccinatietwijfel uitdrukken. Wat bleek hieruit? De gegenereerde data was wel realistisch, maar niet heel overtuigend. Desondanks hielpen deze verzonnen berichten bij het accurater opsporen van de voorgenoemde argumenten tegen vaccins, zoals de snelle ontwikkeling van de coronavaccins, complottheorie\u00ebn over Bill Gates en het geloof in alternatieve geneesmiddelen.<\/p>\n\n\n\n

Simpeler \u00e9n beter dan Chat-GPT<\/h2>\n\n\n\n

Naast het onderzoek naar vaccinatietwijfel, vergeleek Jens generatieve taalmodellen \u2212bijvoorbeeld Chat-GPT \u2212met kleinere getrainde taalmodellen. Zo vond hij dat kleinere taalmodellen de bovenhand hadden bij de classificatie van onderwerpen (\u201ctopics\u201d) in nieuwsartikels. Hij kwam tot hetzelfde besluit bij hi\u00ebrarchische tekstclassificatie \u2014een variant van multi-label tekstclassificatie waarbij de labelsets hi\u00ebrarchisch geordend zijn.  Bij de classificatie van topics kan het bijvoorbeeld nuttig zijn om zowel algemene labels (\u201ceconomie\u201d) als gedetailleerde labels (\u201cbinnenlandse economie\u201d) aan een tekst toe te kennen.<\/p>\n\n\n\n

Tot slot benutte Jens de semantische gelijkenis tussen teksten en labelnamen om op een effici\u00ebnte en intu\u00eftieve manier teksten te classificeren, wat een pak minder rekenkracht vraagt dan een neuraal netwerk te trainen. Deze methode bouwt verder op de intu\u00eftie dat binnen een neuraal netwerk een nieuwsartikel over sport nauw verwant is met het label \u201csport\u201d. Kort gezegd, in deze reeks toepassingen zijn simpele AI-modellen dus regelmatig te verkiezen boven complexere methodes.<\/p>\n\n\n\n

Lees ook<\/h2>\n\n\n\n
\n
Een regenwolk met een zilveren randje? Hoe de covidpandemie ook academische mogelijkheden schept (3)<\/a><\/blockquote>