[논문 리뷰] Crowdsourcing Health Labels: Inferring Body Weight from Profile Pictures

Ingmar Weber, Yelena Mejova|arXiv (Cornell University)|2016. 02. 23.

Misinformation and Its Impacts참고 문헌 11인용 수 4

한 줄 요약

이 논문은 소셜 미디어 프로필 사진에서 체중 상태(과체중/정상)를 추론하기 위한 커스터마이징 방법을 제안하며, 이러한 레이블이 군역 수준의 비만율과 상관관계를 보임을 입증한다. 주요 기여는 프로필 이미지가 개인 수준의 건강 레이블링을 가능하게 하며, 과체중 사용자 중에서 비만율이 높은 지역에서는 팔로워 수가 적은 등의 행동적 차이를 드러낸다는 점이다.

ABSTRACT

To use social media for health-related analysis, one key step is the detection of health-related labels for users. But unlike transient conditions like flu, social media users are less vocal about chronic conditions such as obesity, as users might not tweet "I'm still overweight". As, however, obesity-related conditions such as diabetes, heart disease, osteoarthritis, and even cancer are on the rise, this obese-or-not label could be one of the most useful for studies in public health. In this paper we investigate the feasibility of using profile pictures to infer if a user is overweight or not. We show that this is indeed possible and further show that the fraction of labeled-as-overweight users is higher in U.S. counties with higher obesity rates. Going from public to individual health analysis, we then find differences both in behavior and social networks, for example finding users labeled as overweight to have fewer followers.

연구 동기 및 목표

• 자기 보고에 의해 부족하게 기록되는 만성 질환인 비만과 같이 개인의 체중 상태를 사회 미디어 프로필 사진으로 추론할 수 있는지 조사하기 위해.
• 이미지 분석을 통해 과체중으로 레이블이 지정된 사용자 분포가 실제 군역 수준의 비만 통계와 일치하는지 평가하기 위해.
• 지역 비만율을 보정한 후, 과체중으로 레이블이 지정된 사용자와 그렇지 않은 사용자 간의 개인 수준의 행동 및 네트워크 차이를 검토하기 위해.
• 텍스트 기반 자기 보고의 낮은 회수율과 편향 문제를 해결하기 위해, 프로필 이미지에서 비언어적 시각적 단서를 활용함으로써 도전 과제를 해결하기 위해.
• 특히 체중 관련 낙인과 행동을 연구하기 위해 향후 공중보건 연구에 개인 수준의 소셜 미디어 데이터를 활용할 수 있는 기반을 마련하기 위해.

제안 방법

• 프로필 사진을 인간 평가자들이 시각적 평가를 통해 '과체중' 또는 '과체중 아님'으로 레이블링하는 두 단계의 커스터마이징 과정을 사용하였다.
• 연구는 미국 내 111개 군역에 집중하였으며, 이 중 과체중 비율이 높은 지역(≥38.5%) 73개와 낮은 지역(<19.5%) 43개로 나누어 지역 간 레이블링 결과를 비교하였다.
• Followerwonk를 통해 위치 문자열 매칭(예: 'Greene, AL')을 활용해 트위터 사용자 데이터를 수집하였으며, 활동성(최소 10개의 트윗, 팔로워, 팔로잉)과 프로필 사진 가용성 기준으로 필터링하였다.
• 프로필 데이터는 트위터 REST API를 통해 확보되었으며, 마이크로 셀럽(≤1,000명의 팔로워/팔로잉)과 비활동 사용자를 제외하기 위해 필터링되었다.
• 지역 비만율에 따라 분류된 군역별로 과체중 사용자와 비과체중 사용자 간 팔로워 수 및 네트워크 행동의 차이를 분석하기 위해 통계 모델을 구축하였다.
• 지역별로 과체중 레이블이 팔로워 수에 미치는 영향이 달라지는지 검증하기 위해 상호작용 항목을 포함한 회귀 모델을 사용하였다.

실험 결과

연구 질문

• RQ1 Q1: 개인의 소셜 미디어 프로필 사진으로부터 과체중 여부를 추론할 수 있는가?
• RQ2 Q2: 과체중으로 레이블이 지정된 사용자 분포가 군역 수준의 실생활 비만 통계와 일치하는가?
• RQ3 Q3: 지역 비만율을 보정한 후, 과체중으로 레이블이 지정된 사용자와 그렇지 않은 사용자 간의 소셜 미디어 행동 및 네트워크 구조에 차이가 있는가?
• RQ4 Q4: 사용자 활동성 및 네트워크 규모를 고려한 후에도 과체중 사용자 레이블링이 지역 비만 유병률과 상관관계가 있는가?
• RQ5 Q5: 과체중 사용자는 팔로워를 더 적게 확보할 가능성이 높은가? 이 효과는 지역에 따라 달라지는가?

주요 결과

• 커스터마이징을 활용해 프로필 사진에서 체중 상태를 성공적으로 추론하였으며, 과체중으로 레이블이 지정된 사용자 비율과 군역 수준의 비만율 간에 유의미한 양의 상관관계를 보였다.
• 비만율이 높은 군역에서는 과체중 사용자가 평균적으로 비과체중 사용자보다 약 40명 적은 팔로워를 보였으며, 이는 통계적으로 유의미한 차이였다(p < 0.01).
• 팔로워 수를 예측하는 회귀 모델에서 '과체중 여부' 레이블을 포함시켰을 때 R² 값이 약간 향상되어 행동에 미치는 영향이 측정 가능함을 시사했다.
• 고비만 지역에서는 과체중 레이블이 팔로워 수에 미치는 부정적 영향이 더 두드러졌으며, 이는 지역 간 사회 네트워크 역학의 차이를 시사한다.
• 레이블링 과정가 충분한 신뢰성을 확보하여 개인 수준의 분석이 가능했으며, 낮은 회수율과 자기 보고 편향 문제를 야기하는 순수 텍스트 기반 자기 보고의 한계를 극복하였다.
• 결과는 소셜 미디어의 시각적 데이터를 공중보건 연구에 활용할 수 있음을 뒷받침하며, 특히 대규모로 비만 관련 행동과 낙인을 연구하는 데 유용하다.