Jan, 2024

利用社交媒体数据识别影响公众对无障碍性、社会经济差异和公共交通态度的因素

PDF
TL;DR运用社交媒体和统计模型，本研究分析了纽约市的推文，发现性别、族裔、邻里交通等因素会影响个人对交通可达性的认知，而亚洲族裔和空气污染也与社会经济不平等有关。然而，对于弱势群体而言，缺乏网络可访问性可能是不善于表达交通可达性问题的原因之一。
发现论文，激发创造
  • 借助 Twitter 数据进行交通用户反馈的情感分析：一种自然语言处理框架

    通过利用社交媒体平台（如 Twitter）上的数据，本研究提出了一种新颖的基于自然语言处理的框架，以便从用户的角度了解各种服务问题，并使用两种技术简化了用户反馈的获取和分析过程。该框架准确地对推文进行分类，并根据推文的情感强度和极性进行情感分析，展示了其在评估用户反馈方面的有效性。研究结果证实了该框架在通过廉价的社交媒体数据评估用户反馈、了解交通系统的问题并进行有针对性的改进方面的有效性。

    Oct, 2023

  • 失业的社交媒体指纹

    本文研究了在一国范围的公开社交媒体数据集中短暂行为特征对失业率影响的贡献程度，并发现表现出更多样化流动通量，更早时间的昼夜节律和更正确语法风格的地区显示更低的失业率，因此，我们提供了一个简单的模型，它能够仅通过社交媒体数据即可准确地可解释地重建地区失业率。

    Nov, 2014

  • 公共交通平等推动

    提出了一种新的策略，即利用网约车服务将弱势群体与最近的公共交通联系起来，建立了一种线性规划模型，优化社会公平，并设计了一个基于 LP 的舍入算法，在真实数据上测试了算法的有效性。

    Nov, 2022

  • 超越注意范式：从地理空间社交媒体数据中的隐性学习

    分析社交媒体数据中的位置和口语与 Twitter 数据之间的关系，采用每个城市特定的词袋模型并评估它们的表现。揭示了地理位置对在线交流的重大影响，证明了即使在嘈杂的数据中，也可以发现隐藏的见解。这项研究将复杂的模型与抽象理解结合起来，为将结构化模型与推测性推理相融合的系统开辟了道路。

    Oct, 2023

  • 利用网络和语言信息预测 Twitter 用户的社会经济属性

    本研究针对 Twitter 用户的情况，使用低维向量表示的图形嵌入技术来提取用户的社交网络信息，并用此信息预测 Twitter 用户的职业阶层和收入水平，结果显示该方法优于现有的方法，并且将社交网络和语言信息相结合可以进一步提高预测结果。

    Apr, 2018

  • 社交媒体、主题建模与情感分析在市政决策支持中的应用

    本文提出了一个针对社交媒体帖子进行处理的原型框架，旨在考虑市政决策。该框架通过以下三个步骤实现：(1) 确定每个社交媒体帖子的情感极性，(2) 识别流行主题并将其映射到各个帖子，以及 (3) 将这两个信息合并成表示对每个主题表达的整体情感的模糊数。该框架在约两个月的时间里，使用捷克奥斯特拉发表的推文进行演示，展示了模糊数在更丰富方式中表示情感，以及捕捉社交媒体上表达的各种观点。

    Aug, 2023

  • 推特语言模式的社会经济依赖性：多元分析

    探讨了社会语言学的核心问题，即在全球范围内，个体的语言变异是受许多外部因素影响的，并利用法国最大的推特文本数据集和详细的社会经济地图，研究表明人们的社会经济地位、地理位置和社交网络等因素都对个体网络文本数据中的语言变量有显著影响。

    Apr, 2018

  • 通过代理社交媒体信号评估测量本地无家可归者水平

    研究发现，社交媒体的活动可以作为状态级公共卫生测量的代理，可通过自然语言处理进行检测。该研究应用该方法来估计美国各州在 2010-2019 年和 2022 年期间的无家可归者人数，并使用包含 “无家可归者” 子字符串的大约 100 万个地理标记推文数据集。

    May, 2023

  • 幸福的地理：将 Twitter 情感和表达、人口统计学以及地方的客观特征联系起来

    通过对美国各地实时表达和生活相关数据的大规模分析，探索了社交媒体作为估测肥胖率等人口水平的工具的潜力。

    Feb, 2013

  • 使用社交媒体进行抑郁研究时的性别和种族公平性

    通过分析 Twitter 数据，研究表明基于互联网社交媒体平台上的行为可以显示个体的心理健康状况。先前的研究引发了有关模型偏差的担忧，这项研究分析了基于 Twitter 数据训练的抑郁症分类器在不同人口群体（如性别和种族 / 民族群体）中的公平性，发现模型性能在代表人群中系统性差异，这些差异不能完全通过数据表示问题来解释，研究最终提出了如何避免这些偏差的建议。

    Mar, 2021