လူမှုမီဒီယာနှင့် ဆေးပညာ- ပို့စ်များသည် ဆေးဘက်ဆိုင်ရာအခြေအနေများကို ခန့်မှန်းရာတွင် မည်ကဲ့သို့ကူညီနိုင်မည်နည်း။

ဆေးဘက်ဆိုင်ရာ University of Pennsylvania မှ သိပ္ပံပညာရှင်များသည် ဆိုရှယ်မီဒီယာ ပို့စ်များမှ ဆေးဘက်ဆိုင်ရာ အခြေအနေများကို ခန့်မှန်းနိုင်ကြောင်း တွေ့ရှိခဲ့သည်။

ဆိုရှယ်မီဒီယာ ယခု ကျွန်ုပ်တို့ဘဝ၏ အရေးကြီးသော အစိတ်အပိုင်းတစ်ခုဖြစ်သည်။ 2019 တွင် အနည်းဆုံး 2.7 ဘီလီယံ လူထု Facebook၊ Twitter နှင့် Instagram ကဲ့သို့သော အွန်လိုင်းလူမှုမီဒီယာပလက်ဖောင်းများကို ပုံမှန်အသုံးပြုပါ။ ဆိုလိုသည်မှာ လူတစ်ဘီလီယံကျော်သည် ဤအများပြည်သူဆိုင်ရာ ပလပ်ဖောင်းများပေါ်တွင် ၎င်းတို့၏ဘဝနှင့်ပတ်သက်သည့် နေ့စဉ်အချက်အလက်များကို မျှဝေကြသည်။ လူတို့သည် ၎င်းတို့၏ အတွေးအမြင်များ၊ ကြိုက်နှစ်သက်မှုနှင့် မကြိုက်မှုများ၊ ခံစားချက်များနှင့် ကိုယ်ရည်ကိုယ်သွေးများကို လွတ်လပ်စွာ မျှဝေကြသည်။ သိပ္ပံပညာရှင်များသည် ဤအချက်အလက်များကို အပြင်ဘက်တွင် ထုတ်ပေးခြင်းရှိမရှိ စူးစမ်းလေ့လာနေကြသည်။ နာ။ တုံးလုံးနေရသော ကျန်းမာရေးစောင့်ရှောက်မှုစနစ်သည် နေ့စဉ်လူနေမှုဘဝတွင် ဖြစ်နိုင်ခြေရှိသော ရောဂါကြိုတင်ခန့်မှန်းချက်များကို ဖော်ပြနိုင်သည်။ လူနာများ ၎င်းသည် ကျန်းမာရေးဝန်ထမ်းများနှင့် သုတေသီများအတွက် သိုဝှက်ထားနိုင်သည်။ အစောပိုင်းလေ့လာမှုများက Twitter သည် နှလုံးရောဂါသေဆုံးမှုနှုန်းကို ကြိုတင်ခန့်မှန်းနိုင်ပုံ သို့မဟုတ် အာမခံကဲ့သို့သော ဆေးဘက်ဆိုင်ရာကိစ္စရပ်များအပေါ် လူအများ၏သဘောထားကို စောင့်ကြည့်နိုင်ကြောင်း ပြသခဲ့သည်။ သို့သော်၊ လူမှုမီဒီယာအချက်အလက်များသည် တစ်ဦးချင်းအဆင့်တွင် ဆေးဘက်ဆိုင်ရာအခြေအနေများကို ခန့်မှန်းရန်အတွက် ယခုအချိန်အထိ အသုံးမပြုရသေးပေ။

ဇွန်လ ၂၆ ရက်နေ့တွင် ထုတ်ဝေခဲ့သော လေ့လာမှုအသစ်တစ်ခုဖြစ်သည်။ PLOS ONE လူနာများ၏ အီလက်ထရွန်နစ်ဆေးဘက်ဆိုင်ရာမှတ်တမ်းများ (သူတို့၏ခွင့်ပြုချက်ပေးထားသော) ကို ၎င်းတို့၏လူမှုမီဒီယာပရိုဖိုင်များနှင့် ချိတ်ဆက်ပြသခြင်းကို ပထမဆုံးအကြိမ်ပြသခဲ့သည်။ သုတေသီများသည် စုံစမ်းစစ်ဆေးရန် ရည်ရွယ်သည် - ပထမ၊ တစ်ဦးချင်းစီ၏ ဆေးဘက်ဆိုင်ရာ အခြေအနေများကို အသုံးပြုသူ၏ ဆိုရှယ်မီဒီယာအကောင့်(များ) တွင် တင်ထားသော ဘာသာစကားမှ ခန့်မှန်းနိုင်သလား၊ ဒုတိယ၊ တိကျသော ရောဂါအမှတ်အသားများကို ဖော်ထုတ်နိုင်ပါက၊

သုတေသီများသည် လူနာ 999 ဦး၏ Facebook မှတ်တမ်းအပြည့်အစုံကို ခွဲခြမ်းစိတ်ဖြာရန် အလိုအလျောက် ဒေတာစုဆောင်းခြင်းနည်းပညာကို အသုံးပြုခဲ့သည်။ ၎င်းသည် စကားလုံးပေါင်း 20 ထက်မနည်းပါရှိသော ပို့စ်များနှင့် Facebook status updates ပေါင်း 949,000 ဝန်းကျင်တွင် ရယ်စရာကောင်းသော စကားလုံးပေါင်း သန်း 500 ကို ပိုင်းခြားစိတ်ဖြာခြင်းဟု ဆိုလိုပါသည်။ သုတေသီများသည် လူနာတစ်ဦးစီအတွက် ခန့်မှန်းချက်များကို ပြုလုပ်ရန် မော်ဒယ်သုံးခုကို တီထွင်ခဲ့သည်။ ပထမမော်ဒယ်သည် သော့ချက်စာလုံးများကို ခွဲခြားသတ်မှတ်ခြင်းဖြင့် Facebook ပို့စ်များ၏ ဘာသာစကားကို ပိုင်းခြားစိတ်ဖြာသည်။ ဒုတိယပုံစံသည် လူနာ၏ အသက်နှင့် ကျားမ ကဲ့သို့သော လူနာ၏ လူဦးရေဆိုင်ရာ အချက်အလက်များကို ပိုင်းခြားစိတ်ဖြာထားသည်။ တတိယမော်ဒယ်သည် ဤဒေတာအတွဲနှစ်ခုကို ပေါင်းစပ်ထားသည်။ ဆီးချိုရောဂါ၊ စိုးရိမ်ပူပန်မှု၊ စိတ်ဓာတ်ကျမှု၊ သွေးတိုးရောဂါ၊ အရက်အလွဲသုံးမှု၊ အဝလွန်မှု၊ စိတ်ရောဂါအပါအဝင် စုစုပေါင်း ဆေးဘက်ဆိုင်ရာ အခြေအနေ ၂၁ ခုကို စစ်ဆေးခဲ့သည်။

ခွဲခြမ်းစိတ်ဖြာမှုတွင် ဆေးဘက်ဆိုင်ရာအခြေအနေ ၂၁ ခုစလုံးသည် Facebook တစ်ခုတည်းတင်မှ ခန့်မှန်းနိုင်သည်ဟု ဆိုသည်။ ထို့အပြင်၊ 21 အခြေအနေများသည် လူဦးရေစာရင်းများထက်ပင် Facebook ပို့စ်များက ပိုကောင်းသည်ဟု ခန့်မှန်းထားသည်။ ဥပမာအားဖြင့်၊ ထင်ရှားသောသော့ချက်စာလုံးများမှာ အရက်သေစာအလွဲသုံးစားလုပ်ခြင်းကို ခန့်မှန်းနိုင်သော 'အရက်'၊ 'အရက်' နှင့် 'ပုလင်း' နှင့် 'ဘုရားသခင်' သို့မဟုတ် 'ဆုတောင်း' သို့မဟုတ် 'မိသားစု' ကဲ့သို့သော စကားလုံးများကို ဆီးချိုရောဂါရှိသူများသည် ၁၅ ဆ ပိုမိုအသုံးပြုကြသည်။ 'မိုက်မဲခြင်း' ကဲ့သို့သော စကားလုံးများသည် မူးယစ်ဆေးအလွဲသုံးမှုနှင့် စိတ်ရောဂါအတွက် ညွှန်ပြချက်အဖြစ် လုပ်ဆောင်ကြပြီး 'နာကျင်ခြင်း'၊ 'ငိုခြင်း' နှင့် 'မျက်ရည်များ' ကဲ့သို့သော စကားလုံးများသည် စိတ်ခံစားမှုဆိုင်ရာ ဝေဒနာနှင့် ဆက်စပ်နေသည်။ လူတစ်ဦးချင်းစီအသုံးပြုသော Facebook ဘာသာစကားသည် အထူးသဖြင့် ဆီးချိုရောဂါနှင့် စိတ်ပိုင်းဆိုင်ရာ ခန့်မှန်းချက်များကို ပြုလုပ်ရာတွင် အလွန်ထိရောက်ပါသည်။ ကျန်းမာခြင်း စိုးရိမ်သောက၊ စိတ်ဓာတ်ကျခြင်းနှင့် စိတ်ရောဂါအပါအဝင် အခြေအနေများ။

လက်ရှိလေ့လာမှုက လူနာများအတွက် ရွေးချယ်မှုစနစ်တစ်ခုကို လူနာများက ဆေးခန်းများသို့ ဤအချက်အလက်များကို ပံ့ပိုးပေးခြင်းဖြင့် ၎င်းတို့၏ လူမှုမီဒီယာပို့စ်များကို ခွဲခြမ်းစိတ်ဖြာခွင့်ပြုသည့်နေရာတွင် တီထွင်နိုင်မည်ဟု အကြံပြုထားသည်။ ဆိုရှယ်မီဒီယာကို ပုံမှန်အသုံးပြုနေသူများအတွက် ဤနည်းလမ်းသည် တန်ဖိုးအရှိဆုံးဖြစ်နိုင်သည်။ ဆိုရှယ်မီဒီယာသည် လူတို့၏ အတွေးအမြင်၊ ကိုယ်ရည်ကိုယ်သွေး၊ စိတ်အခြေအနေနှင့် ကျန်းမာရေး အပြုအမူများကို ထင်ဟပ်နေသောကြောင့် ဤဒေတာကို ရောဂါစတင်ခြင်း သို့မဟုတ် ပိုဆိုးလာခြင်းကို ခန့်မှန်းရန် ဤဒေတာကို အသုံးပြုနိုင်သည်။ ဆိုရှယ်မီဒီယာတွင် စိုးရိမ်ပူပန်နေသည့်နေရာ၊ ကိုယ်ရေးကိုယ်တာ၊ အသိပေးခွင့်ပြုချက်နှင့် ဒေတာပိုင်ဆိုင်မှုသည် အရေးကြီးပါသည်။ ဆိုရှယ်မီဒီယာအကြောင်းအရာကို စုစည်းပြီး အကျဉ်းချုပ်ပြီး အဓိပ္ပါယ်ပြန်ဆိုခြင်းမှာ အဓိကပန်းတိုင်ဖြစ်သည်။

လက်ရှိလေ့လာမှုသည် အသစ်အဆန်းများ ဖွံ့ဖြိုးတိုးတက်ရန် လမ်းပြပေးနိုင်သည်။ ဉာဏ်ရည်တု ဆေးဘက်ဆိုင်ရာအခြေအနေများကိုခန့်မှန်းရန်လျှောက်လွှာ။ ဆိုရှယ်မီဒီယာဒေတာသည် အရေအတွက်ပမာဏဖြစ်ပြီး ရောဂါတစ်ခု၏အပြုအမူနှင့် ပတ်ဝန်းကျင်ဆိုင်ရာအန္တရာယ်များကို အကဲဖြတ်ရန် နည်းလမ်းအသစ်များကို ပံ့ပိုးပေးပါသည်။ လူတစ်ဦးချင်းစီ၏ ဆိုရှယ်မီဒီယာဒေတာကို 'social mediome' (ဂျီနိုမ်နှင့်ဆင်တူသည် – ဗီဇအစုံအလင်) ဟုခေါ်သည်။

***

{ကိုးကားထားသောရင်းမြစ်(များ)စာရင်းတွင် အောက်တွင်ဖော်ပြထားသော DOI လင့်ခ်ကို နှိပ်ခြင်းဖြင့် မူရင်းသုတေသနစာတမ်းကို ဖတ်နိုင်သည်}

source (s) ကို

ကုန်သည် RM et al 2019။ ဆိုရှယ်မီဒီယာပို့စ်များမှ ဆေးဘက်ဆိုင်ရာအခြေအနေများ၏ ကြိုတင်ခန့်မှန်းနိုင်မှုကို အကဲဖြတ်ခြင်း။ PLOS ONE။ (၆း၁၄)။ https://doi.org/10.1371/journal.pone.0215476