失业的迹象出现在“帖子”中 — 社交媒体比官方统计更早反映经济状况的日子

“比统计更快的现实”在哪里

失业率和失业保险申请等就业统计数据是经济的体温计。然而，从测量、记录、汇总到发布，体温计需要时间。在危机初期，这种“延迟”尤其令人痛苦。

那么，有没有办法在官方数据之前捕捉到“失业的迹象”呢——研究人员将目光投向了社交媒体上流露出的真实言辞。“失去了工作”“面试失败”“找工作很辛苦”。这些不仅仅是抱怨，还可能成为经济的“快报”。Phys.org

研究要点：JoblessBERT的成就

此次研究（PNAS Nexus）提出了一种框架，通过AI从社交媒体帖子中识别“失业的自我披露”，并预测美国失业保险申请（UI claims）最多提前两周。模型名为JoblessBERT。这是一个基于BERT的Transformer分类器，专门调整用于检测与失业相关的自我申报。Phys.org

有两个关键点。
(1) 不遗漏多样化的帖子：捕捉俚语、拼写错误、随意的表达（例如“needa job”这样的说法）。与传统的“包含75个特定短语”方法（基于规则）相比，JoblessBERT在保持相同精度的同时，能够发现更多的“失业相关自我披露”。OUP Academic

(2) 校正SNS的偏差并转化为“指数”：SNS并不代表总体。因此，研究使用估算的用户属性和人口普查数据进行校正（后分层），创建“Twitter失业指数”，并将其纳入统计模型。OUP Academic

使用了什么数据进行训练

研究团队使用了2020年1月至2022年12月收集的美国基于31.5百万的公开帖子。主要针对用户资料所在地与美国对应的用户，并通过提及关系等方式扩展样本，进行“雪球式”收集。OUP Academic

此外，JoblessBERT本身是在8,838条标记帖子上进行训练，并通过主动学习（优先为不确定的帖子添加标签）提高性能。OUP Academic

“仅仅擅长检测”是不够的：代表性的问题

如果要将SNS数据用于政策，最大的敌人是“偏差”。发帖的人与不发帖的人，特定年龄层或地区的使用偏差。失业的人并不一定会在SNS上表达。

研究正面处理了这一点，从个人资料信息中推测年龄、性别、所在地，并进行人口统计校正。年龄和性别的推测使用了深度学习模型，利用个人资料图片和元数据（如果无法推测，则进行缺失补全）。OUP Academic

这在SNS上容易引发争议。稍后会提到，“为了提高精度从图片推测属性令人恐惧”的反应很常见，同时也有“如果是匿名化和汇总，公共利益更大”的支持声音。

精度提高了多少

论文首先比较了自我披露检测的性能。基于规则的方法精度（precision）高但召回率（recall）低。而JoblessBERT在保持同等高精度的同时，大幅改善了召回率，报告称“发现了约三倍于传统方法的相关帖子”。此外，表达范围的扩大增加了“可捕捉的用户”，使失业者样本更具代表性。OUP Academic

在预测方面，评估了在失业保险申请公开前（最多提前两周）能预测到什么程度，相较于行业共识预测，RMSE改善了54.3%。OUP Academic

在疫情初期“急剧增加”的先行察觉意味着什么

这项研究象征性地展示了2020年3月的剧变。在疫情宣布后的那一周，UI claims从约25万件急剧增加到290万件，共识预测几乎误判了这一急剧增加，而包含SNS指数的模型“感知”到了急变，大幅提高了预测值。JoblessBERT模型在周末前两天预测为266万件，在发布前一天预测为280万件，非常接近实际的290万件。OUP Academic

这里重要的是，并不是“SNS是万能的”，而是**“危机初期的快速反应”**被证明有效。比起经济平稳运行的时期，在断层出现的瞬间更具价值。政策措施（额外补助、地方政府支持、窗口增强等）如果能“提前一周”生效，来自SNS的信号就更具吸引力。

不仅仅是“全国”：州和城市级别的雄心

全国平均难以看出就业的痛苦。产业结构、房租、移民比例都不同。论文评估了州和城市级别的模型，展示了次国家级监测的可能性。Phys.org

如果这能够实施，“哪个城市的哪个行业受到冲击”可能会比官方统计更早被掌握。

但最大的问题是是否会成为“监视”

SNS反应中最容易出现的疑问是：

• 收集失业的“自我披露”是否会成为追踪弱势群体的行为？

• 从图片推测属性（年龄、性别）是否会导致个人身份被识别？

• 政府或企业是否会“方便地”使用这些数据，而不是用于支持，而是用于筛选？

论文方面也考虑到了这些担忧，讨论了**对匿名化信号的“负责任访问”**、与平台的合作、以及监管的方式。简而言之，并不是“什么都能获取”的状态，而是需要一种在保护隐私的同时用于公共目的的研究和监测机制。OUP Academic

平台依赖的现实：Twitter（X）的弱点

另一个SNS的质疑点是，“这不是以Twitter（X）为前提吗？”用户群体在变化，API的规格和可获取性也在波动。论文强调这是“特定时期、特定平台的实证”，并作为“可适应的框架”而非万能工具进行展示。OUP Academic

也就是说，未来需要移植到其他SNS（Reddit、Threads、地区SNS等）或其他语言区域。这既是“研究的有趣之处”，也是“政策实施的难点”。

SNS上的反应（按常见论点分类整理）

实际上，这项研究通过Phys.org的官方账号进行了介绍，成为SNS上分享的话题。LinkedIn

从中可以看出（或容易出现的）反应，按论点整理如下。

1）称赞：“提高统计的快速性是公共利益”

• “在灾害和疫情等非常时期，提前两周是巨大的”

• “如果能在州或城市级别更早发现，支援就能及时到位”
  （研究与“危机时更强”的特点一致）OUP Academic

2）担忧：“不要将弱者的声音变成‘监控数据’”

• “失业的帖子几乎是SOS。如果收集，设计应先连接到支援”

• “从个人资料图片推测属性让人感到抵触”
  （论文中明确说明了属性推测的实施）OUP Academic

3）疑问：“那些根本不发帖的人怎么办？”

• “无法在SNS上发帖的群体（老年人、低收入者、地方、语言少数群体）会被忽视吗？”
  （研究的关键在于此处进行校正）OUP Academic

4）现实论：“对Twitter的依赖耐久性较弱”

• “X的规格变更可能导致无法再现”

• “平台变化则需重新构建模型”
  （论文强调为“灵活的框架”）##HTML_TAG_423