Diseño de un modelo de atención visual para campañas de comunicación. El caso de la Covid-19

Abstract

Health is one of the main concerns of society. Empirical evidence underscores the growing importance of prevention and health education as a fundamental instrument to improve the quality of public health. Recent health crises, such as Ebola, influenza A, SARS, and Covid-19, have highlighted the importance of communication. When designing communication campaigns during a crisis, the speed of the creation of messages and their effectiveness have relevant social consequences. The objective of this work is to design and develop a mathematical tool, based on Machine Learning techniques, to enable predictions of areas of visual attention quickly and accurately without the use of eye-tracking technology. The methodology combines deep learning algorithms, to extract the characteristics of the images, and supervised modeling mathematical techniques, to predict the areas of attention. Validation is carried out by analyzing various institutional communications from the Covid-19 campaign, comparing the results with the areas of attention obtained using an eye-tracking solution with proven accuracy. The results obtained using the tool in the investigated Covid-19 communication pieces are analyzed, resulting in conclusions of interest for the development of new campaigns. Resumen La salud es una de las principales preocupaciones de la sociedad. La evidencia empírica subraya la importancia creciente de la prevención y la educación para la salud (EpS) como instrumento fundamental para mejorar la calidad de la salud pública. Las recientes crisis sanitarias, como la del Ébola, la gripe A, el SARS o la Covid-19, han puesto de relieve la importancia de la comunicación. En el diseño de campañas de comunicación en tiempos de crisis, la rapidez en la creación de mensajes y la validación de su eficacia tiene consecuencias sociales relevantes. En este trabajo se ha diseñado y desarrollado una herramienta matemática basada en machine learning que permite predecir las áreas de atención visual de forma rápida y precisa, sin necesidad de utilizar tecnología de seguimiento ocular (eye-tracking). La metodología combina algoritmos de deep learning, para extraer las características de las imágenes, con técnicas de modelización supervisada para predecir las áreas de atención. La validación se ha realizado analizando varias comunicaciones institucionales de la campaña de Covid-19, comparando los resultados con las áreas de atención obtenidas con una solución de seguimiento ocular de validez contrastada. Se analizan los resultados obtenidos mediante la herramienta en las piezas de comunicación Covid-19 investigadas, planteando conclusiones de interés para el desarrollo de nuevas campañas.