Mit Deep Learning gegen Impfskepsis

Impfskepsis stellt eine gewaltige Herausforderung für Gesundheitssysteme weltweit dar. Eines der effektivsten Gegenmittel sind persönliche Gespräche zwischen Patienten und medizinischem Fachpersonal. Ein internationales Team, zu dem auch Forschende der TU Darmstadt zählen, versucht mittels Deep Learning Antworten darauf zu geben, wie solche Gespräche am besten gelingen können.

Trotz der Wirksamkeit von Impfungen steht eine beträchtliche Anzahl von Menschen Impfstoffen skeptisch gegenüber – in einem Ausmaß, dass die Weltgesundheitsorganisation (WHO) schon 2019 Impfverweigerung zu einem der zehn größten globalen Gesundheitsrisiken erklärte. Wie die Corona-Pandemie seither veranschaulicht hat, stellt ein Hindernis für eine ausreichend hohe Durchimpfungsrate dar und trägt zu höheren Mortalitätsraten bei.

Eines der effizientesten Mittel gegen Impfskepsis ist verblüffend naheliegend: persönliche Gespräche zwischen Patienten und medizinischem Fachpersonal. Menschen mit einer Abneigung gegen das Impfen schenken Argumenten pro Impfung eher Glauben, wenn ihnen diese von Angesicht zu Angesicht präsentiert werden. Allerdings ist es wichtig, dass Mediziner gut vorbereitet in solche Gespräche gehen und auf Sorgen und Bedenken ihrer Gegenüber zielgerichtet eingehen können.

Eine Hilfestellung dazu soll ein interdisziplinäres Projekt leisten, dessen erste Ergebnisse nun in der Fachzeitschrift „Nature Human Behaviour“ veröffentlicht wurden. Im Team um den australischen Kognitionspsychologen Stephan Lewandowsky sind Forschende aus Portugal, Großbritannien, Australien und Deutschland vertreten, die in den Bereichen Psychologie und Kognitionswissenschaft arbeiten.

Von der TU Darmstadt sind Prof. Iryna Gurevych und Doktorand Luke Bates beteiligt, die am Ubiquitous Knowledge Processing (UKP) Lab zu Natural Language Processing (NLP) und Machine Learning forschen. Sie haben in einer Taxonomie die meistverbreiteten Vorurteile und Argumente zusammengetragen, die mit Impfskepsis einhergehen und diese auch sprachwissenschaftlich analysiert.

Der Beitrag der Darmstädter Forschenden bestand dabei in der Datenanalyse von Internetquellen und wissenschaftlichen Artikeln mithilfe sogenannter Sentence Transformers. Dabei handelt es sich um Deep-Learning-Modelle, die Sätze oder Textpassagen in Vektor-Repräsentationen konvertieren. Eines der Modelle, SetFit, entstand unter Mitwirkung des UKP Labs. Mit seinem Einsatz gelang es, die Argumentationsstrukturen und -zusammenhänge, die in der impfskeptischen Szene verbreitet sind, besser zu entschlüsseln.

Die Analyse erlaubt vor allem, besser die unterschiedlichen Gründe zu identifizieren, die Menschen von einer Impfung abhalten, und welche Bedenken bei ihnen adressiert werden sollten: So dürften Personen mit einer Phobie anderen Argumenten zugänglich sein als Gruppen, die Impfungen aus politischen oder religiösen Motiven heraus ablehnen – oder Menschen, die Verschwörungsmythen anhängen.

Präzisere Ergebnisse dank Fachliteratur
Beeindruckend war für das Team, dass die Modelle präzisere Ergebnisse lieferten, wenn sie mit Fachliteratur zum Thema trainiert wurden. Insgesamt 152 wissenschaftliche Artikel über Impfskepsis wurden bei der Arbeit berücksichtigt und in die Sprachmodelle eingepflegt. In der Folge gelang es den Modellen, impfskeptische Erzählmuster und Weltbilder auch zu identifizieren, wenn über sie in Fact-Checking-Artikeln berichtet wurde – ein wichtiger Schritt dabei, sie auch in anderen Internettexten wie Foren-Threads und in sozialen Medien wiederzuerkennen.

„Die Systeme werden durch den Input aus akademischen Artikeln über Anti-Impf-Diskurse geschickter darin, genau diese Diskurse in den Rohdaten zu erkennen – eine Transferleistung, für die üblicherweise menschliche Annotatoren und Annotatorinnen erforderlich sind“, erklärt Gurevych.

Zukunftsweisend dürfte die enge Zusammenarbeit zwischen Forschenden aus Geistes- und Technikwissenschaften sein. „Die Pandemie hat gezeigt, wie wichtig es ist, Fehlinformationen direkt zu begegnen”, betont Bates. Zu diesem Zweck sei es wichtig, dass Forscherinnen und Forscher auf dem Gebiet des maschinellen Lernens und Natural Language Processing eng mit jenen aus Disziplinen zusammenarbeiten, die ein tiefes Verständnis für die mit diesem Problem verbundenen Inhalte und die davon betroffenen Menschen haben.

Das langfristige Ziel des Projektes ist es, in Zukunft gezielt Gegenargumente und andere Maßnahmen zu entwickeln, die sich mit den zugrundeliegenden Motiven der Impfgegner befassen.

Literatur
Fasce A et al. A taxonomy of anti-vaccination arguments from a systematic literature review and text modelling. Nat Hum Behav 2023 Jul 17. https://doi.org/10.1038/s41562-023-01644-3

Quelle: Technische Universität Darmstadt, 24.07.2023