สัญญาณการว่างงานปรากฏใน "โพสต์" — โซเชียลมีเดียสะท้อนสภาพเศรษฐกิจก่อนสถิติทางการ

"ความเป็นจริงที่เร็วกว่าสถิติ" อยู่ที่ไหน

สถิติการจ้างงาน เช่น อัตราการว่างงานและการยื่นขอประกันการว่างงาน เป็นเครื่องวัดอุณหภูมิของเศรษฐกิจ แต่เครื่องวัดอุณหภูมิจะใช้เวลาในการวัด บันทึก รวบรวม และเผยแพร่ ยิ่งในช่วงเริ่มต้นของวิกฤต ความล่าช้านั้นยิ่งเจ็บปวด

ดังนั้น มีวิธีที่จะจับ "สัญญาณของการว่างงาน" ก่อนข้อมูลทางการหรือไม่? นักวิจัยได้หันไปมองคำพูดที่หลั่งไหลในโซเชียลมีเดียที่มีชีวิตชีวา เช่น "ตกงาน" "สัมภาษณ์ไม่ผ่าน" "การหางานเป็นเรื่องยาก" ซึ่งอาจไม่ใช่แค่การบ่น แต่สามารถกลายเป็น "ข่าวด่วน" ทางเศรษฐกิจได้Phys.org

ประเด็นสำคัญของการวิจัย: สิ่งที่ JoblessBERT ทำ

การวิจัยครั้งนี้ (PNAS Nexus) เสนอกรอบการทำงานที่ใช้ AI เพื่อค้นหา "การเปิดเผยตัวเองเกี่ยวกับการว่างงาน" จากโพสต์ในโซเชียลมีเดีย และคาดการณ์การยื่นขอประกันการว่างงานในสหรัฐอเมริกา (UI claims) ล่วงหน้าสูงสุด 2 สัปดาห์ ชื่อโมเดลคือ JoblessBERT ซึ่งเป็นตัวจำแนกประเภท Transformer แบบ BERT ที่ปรับแต่งเพื่อการตรวจจับการเปิดเผยตัวเองเกี่ยวกับการว่างงานPhys.org

มีสองจุดสำคัญ
(1) ไม่พลาดความหลากหลายของโพสต์: จับได้แม้กระทั่งคำสแลง การสะกดผิด และการแสดงออกที่ไม่เป็นทางการ (เช่น "needa job") เมื่อเทียบกับวิธีการเดิมที่ใช้ "75 วลีเฉพาะ" (แบบอิงกฎ) JoblessBERT สามารถค้นหา "การเปิดเผยตัวเองที่ดูเหมือนว่างงาน" ได้มากขึ้นในขณะที่รักษาความแม่นยำในระดับเดียวกันOUP Academic

(2) ปรับแก้ความเอนเอียงของ SNS เพื่อสร้าง "ดัชนี": SNS ไม่ใช่ประชากรทั้งหมด ดังนั้นจึงใช้คุณลักษณะที่คาดการณ์ของผู้ใช้และการประมาณประชากรจากการสำรวจสำมะโนประชากรเพื่อปรับแก้ความเอนเอียงของผู้โพสต์ (การแบ่งชั้นหลังการโพสต์) และสร้าง "ดัชนีการว่างงานของ Twitter" เพื่อใส่ในโมเดลสถิติOUP Academic

ข้อมูลที่ใช้ในการฝึก

ทีมวิจัยใช้โพสต์สาธารณะที่รวบรวมจาก มกราคม 2020 ถึง ธันวาคม 2022 จากผู้ใช้ในสหรัฐอเมริกาจำนวน 31.5 ล้านคน โดยเน้นที่ผู้ใช้ที่สามารถระบุสถานที่ในโปรไฟล์ว่าอยู่ในสหรัฐอเมริกา และยังมีการรวบรวมตัวอย่างแบบ "snowball" โดยขยายจากการอ้างอิงOUP Academic

นอกจากนี้ JoblessBERT เองได้รับการฝึกด้วย โพสต์ที่มีการติดฉลาก 8,838 โพสต์ และปรับปรุงประสิทธิภาพด้วยการเรียนรู้อย่างกระตือรือร้น (การเพิ่มการติดฉลากในโพสต์ที่ไม่แน่นอน)OUP Academic

"การตรวจจับที่ดี" ไม่เพียงพอ: กำแพงของความเป็นตัวแทน

หากจะใช้ข้อมูล SNS ในการกำหนดนโยบาย ศัตรูที่ใหญ่ที่สุดคือ "ความเอนเอียง" คนที่โพสต์และคนที่ไม่โพสต์ การใช้งานที่เอนเอียงไปยังกลุ่มอายุหรือภูมิภาคเฉพาะ และไม่ใช่ทุกคนที่ตกงานจะพูดถึงใน SNS

การวิจัยนี้จัดการกับประเด็นนี้โดยตรง โดยใส่การปรับแก้ให้สอดคล้องกับประชากรจากการคาดการณ์ อายุ เพศ และสถานที่ จากข้อมูลโปรไฟล์ การคาดการณ์อายุและเพศใช้โมเดลการเรียนรู้เชิงลึกที่ใช้ภาพโปรไฟล์และเมตาดาต้า (มีการเติมข้อมูลที่ขาดหายหากไม่สามารถคาดการณ์ได้)OUP Academic

นี่เป็นจุดที่มีการถกเถียงกันใน SNS แม้จะมีการกล่าวถึงในภายหลังว่า "การคาดการณ์คุณลักษณะจากภาพเพื่อปรับปรุงความแม่นยำเป็นเรื่องน่ากลัว" แต่ก็มีการสนับสนุนว่า "หากเป็นการไม่ระบุตัวตนและรวบรวมเพื่อประโยชน์สาธารณะ"

ความแม่นยำเพิ่มขึ้นแค่ไหน

บทความเปรียบเทียบประสิทธิภาพของการตรวจจับการเปิดเผยตัวเอง รูปแบบที่อิงกฎมีความแม่นยำสูงแต่มีการเรียกคืนต่ำ ในขณะที่ JoblessBERT รักษาความแม่นยำสูงในระดับเดียวกัน แต่ปรับปรุงการเรียกคืนได้มาก โดยรายงานว่าสามารถจับโพสต์ที่เกี่ยวข้องได้ประมาณ 3 เท่าของวิธีเดิม นอกจากนี้ การขยายความหลากหลายของการแสดงออกยังช่วยเพิ่มจำนวนผู้ใช้ที่สามารถจับได้ ทำให้ตัวอย่างของผู้ว่างงานมีความเป็นตัวแทนมากขึ้นOUP Academic

ในด้านการคาดการณ์ มีการประเมินว่าการยื่นขอประกันการว่างงานสามารถคาดการณ์ได้ล่วงหน้าสูงสุด 2 สัปดาห์ก่อนการเปิดเผย และ ปรับปรุง RMSE ได้ 54.3% เมื่อเทียบกับการคาดการณ์ของอุตสาหกรรมOUP Academic

การตรวจจับ "การเพิ่มขึ้นอย่างรวดเร็ว" ในช่วงแรกของโควิดมีความหมายว่าอย่างไร

การวิจัยนี้แสดงให้เห็นถึงการเปลี่ยนแปลงที่สำคัญในเดือนมีนาคม 2020 ในสัปดาห์หลังจากการประกาศการระบาดใหญ่ การยื่นขอ UI claims พุ่งขึ้นจากประมาณ 250,000 รายเป็น 2.9 ล้านราย ในขณะที่การคาดการณ์ของคอนเซนซัสพลาดการเพิ่มขึ้นอย่างมาก โมเดลที่รวมดัชนี SNS สามารถ "ตรวจจับ" การเปลี่ยนแปลงและปรับค่าคาดการณ์ให้สูงขึ้น โมเดล JoblessBERT คาดการณ์ได้ใกล้เคียงกับความเป็นจริง โดยคาดการณ์ 2.66 ล้านราย สองวันก่อนสิ้นสัปดาห์ และ 2.8 ล้านราย หนึ่งวันก่อนการประกาศOUP Academic

สิ่งที่สำคัญคือ ไม่ใช่ว่า "SNS เป็นสิ่งที่สมบูรณ์แบบ" แต่เป็นการแสดงให้เห็นถึง **"ความรวดเร็วในการตอบสนองในช่วงเริ่มต้นของวิกฤต"** ซึ่งมีคุณค่าในช่วงที่เศรษฐกิจเคลื่อนไหวราบรื่นน้อยกว่า ในช่วงที่มีการเปลี่ยนแปลงอย่างรวดเร็ว สัญญาณจาก SNS จะมีเสน่ห์มากขึ้นในสถานการณ์ที่การดำเนินการของนโยบาย (การให้เงินช่วยเหลือเพิ่มเติม การสนับสนุนจากเทศบาล การเพิ่มจำนวนหน้าต่างบริการ) จะมีประสิทธิภาพมากขึ้นหากทำได้เร็วขึ้นหนึ่งสัปดาห์

ไม่ใช่แค่ "ระดับประเทศ": ความทะเยอทะยานในระดับรัฐและเมือง

ความเจ็บปวดจากการจ้างงานมองไม่เห็นในค่าเฉลี่ยทั่วประเทศ โครงสร้างอุตสาหกรรม ค่าเช่า และอัตราส่วนของผู้อพยพต่างกัน บทความนี้ประเมินโมเดลในระดับรัฐและเมือง แสดงให้เห็นถึงความเป็นไปได้ในการติดตามระดับย่อยของชาติPhys.org

หากสิ่งนี้สามารถนำไปใช้ได้จริง อาจสามารถระบุได้ว่า "เมืองใดและอุตสาหกรรมใดที่เกิดช็อก" ได้เร็วกว่าสถิติทางการ

อย่างไรก็ตาม ประเด็นที่ใหญ่ที่สุดคือการไม่กลายเป็น "การเฝ้าระวัง"

คำถามที่มักเกิดขึ้นใน SNS คือ

• การรวบรวม "การเปิดเผยตัวเองเกี่ยวกับการว่างงาน" จะไม่กลายเป็นการติดตามคนที่อ่อนแอหรือ?

• การคาดการณ์คุณลักษณะ (อายุ เพศ) จากภาพจะไม่เชื่อมโยงไปยังการระบุตัวบุคคลหรือ?

• รัฐบาลหรือบริษัทจะใช้ในทางที่ "สะดวก" และไม่เป็นการสนับสนุนแต่เป็นการคัดเลือกหรือไม่?

บทความนี้พิจารณาถึงความกังวลเหล่านี้ โดยมีการอภิปรายเกี่ยวกับ **"การเข้าถึงอย่างรับผิดชอบ" สัญญาณที่ไม่ระบุตัวตน** การร่วมมือกับแพลตฟอร์ม และการกำหนดกฎระเบียบ กล่าวคือ ไม่ใช่สถานะที่ "สามารถดึงข้อมูลได้ทุกอย่าง" แต่เป็นการใช้เพื่อวัตถุประสงค์สาธารณะ โดยรักษาความเป็นส่วนตัว และสามารถใช้ในการวิจัยหรือการติดตามได้OUP Academic

ความเป็นจริงของการพึ่งพาแพลตฟอร์ม: ข้อเสียของการใช้ Twitter (X)

อีกหนึ่งคำถามจาก SNS คือ "นั่นไม่ใช่การพึ่งพา Twitter (X) หรือ?" กลุ่มผู้ใช้เปลี่ยนแปลงไป และสเปค API และความสามารถในการเข้าถึงก็เปลี่ยนแปลง บทความนี้เน้นว่าเป็น "การทดลองในช่วงเวลาหนึ่งและแพลตฟอร์มหนึ่ง" และเสนอเป็น "กรอบการทำงานที่ปรับตัวได้" ไม่ใช่เครื่องมือที่สมบูรณ์OUP Academic

หมายความว่าในอนาคตจำเป็นต้องย้ายไปยัง SNS อื่น (Reddit, Threads, SNS ท้องถิ่น) หรือในภาษาอื่น นี่เป็นจุดที่ "น่าสนใจในฐานะการวิจัย" แต่ "ยากในฐานะการนำไปใช้ในนโยบาย"

ปฏิกิริยาใน SNS (สรุปตามประเด็นที่พบบ่อย)

การวิจัยนี้ได้รับการแนะนำผ่านบัญชีทางการของ Phys.org และกลายเป็นหัวข้อที่แชร์ใน SNSLinkedIn##HTML_TAG_312