推特能预测你在哪里会食物中毒吗? - 彭博社
bloomberg
亚当·萨迪莱克根据美国疾病控制与预防中心的数据,2011年,每六个美国人中就有一个,或4800万人,遭受某种食源性疾病的困扰。罗切斯特大学的一组计算机科学家认为,这些高数字是完全可以预防的。这就是nEmesis背后的动机——一个通过解析来自Twitter的大量地理标记数据来追踪食物中毒的系统。
nEmesis的基础是一个算法(基于机器学习),可以识别出暗示推特用户生病的推文。通过在亚马逊的Mechanical Turk项目中使用众包工人,该算法进一步训练以识别可能感染食源性疾病的人的推文。利用这个不断微调的“脑”,nEmesis“倾听”在经过验证的餐厅位置标记的推文,并跟踪同一用户的推文72小时。如果这些用户中的任何人推文提到感到不适,nEmesis会捕捉到这些信息并追溯到该人吃过的地方。
彭博社城市实验室贝尔法斯特的中央车站为北爱尔兰的公共交通创造了新时代普利兹克表示,芝加哥应考虑所有预算危机的解决方案消除美国道路死亡的月球计划AOC 提议 300 亿美元社会住房管理局nEmesis 在检测高风险餐厅方面的有效性如何?在四个月的时间里,该系统从纽约市的 94,000 名独特用户中挖掘了 380 万条推文。根据这些数据,它追踪了 23,000 名餐厅访客,并确定了 480 例可能的食物中毒报告。根据这些信息,研究人员根据顾客在该餐厅感染食源性疾病的可能性对餐厅进行了排名。然后将此排名与基于纽约市卫生局检查结果的同类排名进行了比较。研究人员发现这两个排名之间有三分之一的重叠。
表面上看,剩余的差异似乎指向 nEmesis 的不准确性。但根据亚当·萨迪莱克的说法,他在罗切斯特大学作为博士后研究员开始了这个项目,这些差异是最令人兴奋的部分。这是因为它们给 nEmesis 提供了质疑和验证检查数据的机会,萨迪莱克在新闻稿中表示,“这也不是完美的。”
目前,城市卫生局每年至少对餐厅进行一次不定期检查,萨迪莱克将这一过程比作“掷骰子”。因为 nEmesis 实时工作,如果某家餐厅某天出现了一批坏鸡肉,该系统可以及时提醒检查员去检查该餐厅。如果没有这种“适应性检查”过程,一起“坏鸡肉”事件可能会导致一些顾客生病,但在下次随机检查中仍然未被发现。萨迪莱克表示,主要目标是让 nEmesis 和卫生机构合作,产生最准确和最新的排名,以便人们能够做出明智的决策。
Sadilek 看到 nEmesis 以移动应用的形式出现,就像一个食物中毒版本的 GermTracker, 这是他之前的一个项目,使用类似的技术向用户展示周围谁得了流感。
尽管 Sadilek 已经在罗切斯特大学完成了研究,他表示该项目将继续在前顾问亨利·考茨和新的学生研究人员的指导下进行。与此同时,我们可能应该继续进行那些餐厅签到——它们可能会帮助其他人避免一个糟糕的夜晚。