没有合适的资源?快使用搜索试试~ 我知道了~
2750绿地对Twitter用户情感的影响的理解0Kwan Hui Lim†,Kate E. Lee††,Dave Kendal#,Lida Rashidi†,Elham Naghizade§†,Stephan Winter§,Maria Vasardani§0†墨尔本大学计算与信息系统学院,澳大利亚††墨尔本大学生态系统与森林科学学院,澳大利亚§墨尔本大学基础设施工程系,澳大利亚#塔斯马尼亚大学技术、环境和设计学院,澳大利亚{kwan.lim, kate.lee, rashidi.l,e.naghi, winter, maria.vasardani}@unimelb.edu.au, dave.kendal@utas.edu.au0摘要0人们相信绿地可以改善城市地区用户的福祉。虽然有关绿地情感益处的城市研究已经存在,但这些研究基于用户调查和案例研究,通常规模较小、侵入性、耗时且昂贵。与早期研究相比,我们利用一种非侵入性的方法来在大规模和更详细的层面上理解绿地效应,通过分析Twitter用户留下的数字痕迹。利用这种方法,我们在澳大利亚墨尔本进行了一项关于绿地对用户情感和情绪影响的实证研究,我们的主要发现是:(i)绿地中的推文引发的积极情绪更多,消极情绪较少,与城市地区相比;(ii)每个季节对不同的情绪类型产生不同的影响;(iii)推文发布的小时、天和月份会导致情感发生有趣的变化;(iv)消极情绪通常与大型交通基础设施(如火车换乘站、主要道路交叉口和铁路轨道)相关联。我们研究的创新之处在于将心理学理论与对大规模Twitter数据集的数据收集和分析技术相结合,克服了城市研究中传统方法的局限性。0CCS概念0• 信息系统 →社交网络网站;社交网络;基于位置的服务;数据挖掘;• 应用计算→ 心理学;社会学;0关键词0绿地;城市地区;实证研究;Twitter0ACM参考格式:Kwan Hui Lim†,Kate E. Lee††,Dave Kendal#,LidaRashidi†,Elham Naghizade§†,Stephan Winter§,MariaVasardani§。2018。绿地对Twitter用户情感的影响的理解。在WWW '18Companion:2018年网络会议伴侣,2018年4月23日至27日,法国里昂。ACM,美国纽约,8页。https://doi.org/10.1145/3184558.31863370本文根据知识共享署名4.0国际许可证(CC BY4.0)发布。作者保留在个人和公司网站上传播作品的权利,并附上适当的归属。WWW '18Companion,2018年4月23日至27日,法国里昂,© 2018IW3C2(国际万维网会议委员会),根据知识共享CC BY 4.0许可证发布。ACM ISBN978-1-4503-5640-4/18/04。https://doi.org/10.1145/3184558.318633701 引言0如今,全球一半的人口居住在城市地区,预计到2050年这一比例将增加到全球人口的三分之二[44]。随着今天城市的快速城市化,人们对居住在城市地区的人们的福祉越来越重视[15]。为此,城市规划者试图在城市地区纳入绿地,因为人们相信绿地可以改善居住在这些城市地区的人们的身心健康。纳入绿地的重要性也体现在联合国最近的可持续发展目标中,其中有一个具体目标是为所有城市居民提供可访问的绿地[45]。鉴于绿地的重要性,这个话题也越来越受到研究人员的关注[12, 15, 38,48]。现有的研究已经探讨了城市地区绿地的情感益处[16,21]。这些研究主要基于用户调查、问卷调查和案例研究,这些方法通常要么规模较小,要么需要用户的明确参与。此外,这些传统方法对于研究人员来说往往具有侵入性、耗时和昂贵,以进行纵向研究或涉及参与者的细粒度分析。例如,要以细粒度的分辨率跟踪用户,必须使用个人跟踪设备并由参与者佩戴。同样,要研究不同天或月的情感变化,需要在研究过程中定期进行调查,这对于研究人员和参与者来说是耗时的。为了克服传统方法的这些挑战,我们将情感分析技术应用于由Twitter用户发布的地理标记推文上,这是一种探索用户生成内容中表达的情感的非侵入性方式,而且易于大规模获取。研究目标和贡献。在这个实证研究中,我们旨在研究绿地参观对人们情感的影响以及这些发现对城市规划的影响。创新之处在于将心理学理论与分析Twitter用户留下的数字痕迹相结合,正如我们将展示的那样,克服了城市研究中传统方法的局限性。具体而言,我们将回答以下研究问题(RQ)。0• RQ1:绿色空间与城市地区的情感和情绪有何不同?•RQ2:一天中的时间和访问绿色空间的季节如何影响这些情感和情绪?0跟踪:认知计算WWW 2018,2018年4月23日至27日,法国里昂2760• RQ3:绿色空间的接近程度如何影响这些情感和情绪?0我们将这种提出的方法应用于一个庞大的2120万条推文的数据集,以更好地理解绿色空间与用户情感之间的关系,我们的主要发现如下:0•绿色空间中的推文表现出更高的喜悦、期待和信任(积极情绪),与城市地区的推文相比,愤怒和恐惧(消极情绪)水平较低。•虽然绿色空间中的推文通常比城市地区的推文更积极,但推文发布的季节(春季、夏季、秋季、冬季)对绿色空间和城市地区的各种情感水平产生不同的影响。•此外,我们观察到推文发布的小时、天和月份基于推文中的情感发生了有趣的变化,这反映了现实生活中的趋势。•我们还发现城市地区推文的情感极性与其与绿色空间的接近程度呈正相关。0结构和组织。本文的结构如下。第2节概述了与Twitter相关的分析和绿色空间研究的文献。第3节描述了我们的数据集收集和分析框架。第4、5和6节重点介绍了我们使用Twitter进行实验的结果,而第7节讨论了我们主要发现的影响。最后,第8节总结了本文。02相关工作0我们的工作与两个研究流派相关,即与Twitter相关的一般分析研究和研究绿色空间的情感效益的研究。与Twitter相关的一般分析。Twitter是一种流行的微博社交网站,允许用户发布140个字符的短消息并与他们的关注者分享这些推文。近年来,研究人员广泛利用Twitter来了解许多社会现象和行为,例如识别与各种地点相关的热门话题[19]或见证账户[42],研究用户流动模式与幸福水平之间的相关性[14],预测幸福水平、食物偏好和体育活动[28],推荐朋友[5],预测流感爆发[1],构建Twitter用户的兴趣配置文件[7]和主题专长[46,53],以及政治[10]、学术会议[49]、社区检测[23,24]、旅行趋势[13]、危机管理[18]、群体感知[36]、事件检测[11,32,52]等众多其他应用。尽管Twitter已广泛用于这些目的,但据我们所知,Twitter尚未用于研究绿色空间及其对用户情感的影响。绿色空间的心理社会反应分析。近年来,城市绿色空间的研究引起了广泛关注[12,15,38,48],从确定适当的绿色空间水平[50]到了解城市绿色空间的使用模式[38]。在这些工作中,我们最感兴趣的是研究绿色空间对城市居民的影响的工作。其中许多工作利用调查或问卷调查来了解绿色空间对人们的影响,例如个人幸福感[9]、热舒适度[48]、居民的预期寿命[41]和近视的流行率[12]。研究人员[35,43]还通过测量血压和唾液皮质醇水平来研究绿色空间与压力水平之间的相关性。其他人[4]还使用可穿戴生物传感器研究用户对不同环境类型的生理反应。然而,绿色空间研究通常依赖于基于调查、问卷调查、案例研究或可穿戴传感器的传统方法,并且以前从未使用Twitter数据分析来探索用户情感。这一观察结果得到了最近对绿色空间效益现有工作的全面文献调查的支持[16,21]。讨论。虽然以前的研究分别考察了Twitter和绿色空间的有趣方面,但我们注意到我们的研究与之有两个关键差异,即:(i)虽然使用Twitter相关分析的作品呈现了一些社会现象的有趣和有用的理解,但这些早期作品没有研究与绿色空间或其对人们情感的影响相关的主题;(ii)虽然以前的绿色空间研究考察了绿色空间与各种健康和福祉结果的关联,但它们基于调查、问卷调查或案例研究,这些方法通常规模较小、侵入性、耗时、成本高且难以复制。相比之下,我们的研究利用了基于Twitter用户留下的隐式数字痕迹的大数据驱动框架,规模大且非侵入性,研究了绿色空间如何在不同的时间段和空间区域影响用户情感。0问卷调查以了解绿色空间对个人福祉[9]、热舒适度[48]、居民预期寿命[41]和近视的流行率[12]的影响。研究人员[35,43]通过测量血压和唾液皮质醇水平来增强这些调查,研究绿色空间与压力水平之间的相关性。其他人[4]还使用可穿戴生物传感器研究用户对不同类型环境的生理反应。然而,绿色空间研究通常依赖于基于调查、问卷调查、案例研究或可穿戴传感器的传统方法,并且以前从未使用Twitter数据分析来探索用户情感。这一观察结果得到了最近对绿色空间效益现有工作的全面文献调查的支持[16,21]。讨论。虽然以前的研究分别考察了Twitter和绿色空间的有趣方面,但我们注意到我们的研究与之有两个关键差异,即:(i)虽然使用Twitter相关分析的作品呈现了一些社会现象的有趣和有用的理解,但这些早期作品没有研究与绿色空间或其对人们情感的影响相关的主题;(ii)虽然以前的绿色空间研究考察了绿色空间与各种健康和福祉结果的关联,但它们基于调查、问卷调查或案例研究,这些方法通常规模较小、侵入性、耗时、成本高且难以复制。相比之下,我们的研究利用了基于Twitter用户留下的隐式数字痕迹的大数据驱动框架,规模大且非侵入性,研究了绿色空间如何在不同的时间段和空间区域影响用户情感。03 实验设计0在本节中,我们描述了我们的Twitter数据收集方法以及如何计算与推文相关的情感水平。03.1 数据集和数据收集0我们的数据集包括由10,510个用户在澳大利亚墨尔本生成的21.2百万条推文(2.2百万条地理标记推文)。我们还可以访问一个绿地数据集,其中包括该城市中482个绿地(如公园、花园、绿地和其他开放区域)的位置和覆盖范围。Twitter数据集。我们首先描述了我们的数据收集方法,该方法使用了从2016年11月到2017年1月使用TwitterRESTAPI收集的Twitter数据集。对于这个数据集,我们采用了以下两个阶段的收集方法:0(1)第一阶段收集:这个初始阶段涉及收集所有在澳大利亚墨尔本中心的一个5km×5km网格内发布的地理标记推文(即带有纬度/经度坐标的推文)。这个5km×5km网格以墨尔本GPO大楼为中心。(2)第二阶段收集:基于从第一阶段检索到的地理标记推文集合,我们继续提取发布这些推文的唯一Twitter用户列表,即在澳大利亚墨尔本发布推文的一组种子用户。然后,根据TwitterAPI的限制,我们检索这些用户的最新3200条推文,以建立这些用户的推文配置文件。0Track: 认知计算 WWW 2018,2018年4月23日至27日,法国里昂government authority in charge of urban planning and regulationsfor the central Melbourne area. This dataset is in the form of aGeoJSON file that comprises 482 green spaces in Melbourne. Thesegreen spaces are represented by polygons, which encompasses theentire and exact area of each green space.Mapping Tweets to Green Spaces. We also identified: (i) if atweet was posted in a green space, which park was it posted from;and (ii) if this tweet was not posted in a green space, how far was itfrom the nearest green space. Using our collected tweets and greenspace dataset, we then labelled each tweet with the ID of the greenspace that these tweets were posted from. For tweets that were notposted from a green space (i.e., posted from an urban area), thedistance to the nearest green space and the ID of this green spacewas identified.27703.2 数据预处理0在对推文进行情感分析之前,我们对收集到的推文进行了一些预处理步骤。我们限制我们的工作只使用明确标记为地理标记的推文,因为这些推文可以让我们确定它们的发布位置。这些步骤包括以下内容:•过滤使用纬度和经度坐标明确标记为地理标记的推文,并且在澳大利亚墨尔本的5km×5km网格内。• 根据TwitterAPI提供的“language”字段,选择使用英语编写的推文。我们选择只考虑英语推文,因为英语是澳大利亚的主要语言,更重要的是,专注于一种语言可以抽象出与基于不同语言的情感分析相关的细微差别。10• 将每个推文根据空格分隔为单独的单词。•将所有推文和标记化的单词转换为小写。03.3 情感分析0我们使用了一种常用的情感分析技术[8,20],首先将每个推文分割成一系列的标记/单词,然后比较每个标记/单词以确定它们所属的情感类别。与这些早期的工作类似,我们根据每个情感类别S的单词使用频率计算推文t的情感得分SentiSt。为了考虑不同的推文长度,我们通过每个推文中的单词数量对每个情感得分SentiSt进行归一化。根据这个定义,计算得到的情感水平将在[0,1]范围内取值,其中0和1分别表示情感的最弱和最强水平。对于这些情感类别,我们使用了NRC词-情感关联词典(EmoLex)[26,27],这是一个广泛使用的情感词典,在许多其他工作中也被使用过[3,29,33]。EmoLex词典包括10,170个与愤怒、期待、厌恶、恐惧、喜悦、悲伤、惊讶和信任等情感相关联的词汇,这些情感是基于普鲁奇克的情感理论[31]提出的。01尽管我们在这项工作中专注于英文推文,但通过使用该语言的情感词典,该工作也可以轻松扩展到以其他语言书写的任何基于文本的社交媒体。在这项工作中,我们专注于推文中使用的文本/单词,未来的工作还可以考虑使用图像识别技术嵌入的链接、照片和视频。0正如[27]所指出的,愤怒、厌恶、恐惧和悲伤的情绪通常与消极情感相关,而期待、喜悦和信任的情绪通常与积极情感相关。惊讶的情绪是中性的,即可以属于任何一类,因此单独使用,但不用于计算积极或消极情感。因此,我们根据推文的积极和消极情感分数之间的差异定义了另外两个情感类别:积极(包括愤怒、厌恶、恐惧和悲伤的情绪)和消极(包括期待、喜悦和信任的情绪)。与[20]类似,我们根据推文的积极和消极情感分数之间的差异定义推文的极性。04 RQ1:绿地效应0在本节中,我们旨在回答关于绿地对情感和情绪的影响的RQ1问题,与在城市地区发布的推文相比。04.1 绿地与城市地区推文情感的比较0我们首先研究绿地和城市地区发布的推文之间的平均情感(积极,消极,极性)是否存在显著差异。表1显示了绿地和城市地区发布的推文的平均情感水平,以及相关的p值。特别是,“差异”列表示绿地推文在特定情感水平上的增加,报告的p值基于双侧学生t检验。0表1:绿地和城市地区推文情感的比较。粗体/蓝色数字表示统计学上的显著差异。0情感 绿地 城市差异 p值 类型 空间 区域0消极 .0300 .0318 -5.60% < .0001 积极 .0815 .07646.79% < .0001 极性 .0515 .0446 15.62% < .00010表1显示,在绿地发布的推文的极性与城市地区相比,有一个统计学上显著增加(p <.0001)超过15%。同样,在绿地发布的推文的消极性有一个统计学上显著减少(p <.0001)超过5%,并且积极性有超过6%的增加。这些结果表明,与城市地区相比,绿地通常更具积极性和更低的消极性,我们在下一节中研究更具体的情绪。04.2 绿地与城市地区推文情绪的比较0与4.1节类似,我们进行了双侧学生t检验,比较每种情绪水平之间是否有差异02这个“差异”是通过将绿地的平均情感水平除以城市地区的平均情感水平计算得出的,报告的值是基于精确(非四舍五入)的情感水平,以提高精度,而表中报告的值则四舍五入到最近的4个小数点以简洁起见。0跟踪:认知计算WWW 2018,2018年4月23日至27日,法国里昂2780在绿地发布的推文和城市地区发布的推文之间进行比较。结果显示在表2中,列的定义与4.1节中的定义类似。与4.1节不同的是,4.2节将推文的情感更详细地分解为特定的情绪,稍后将进行讨论。0表2:绿地和城市地区推文情绪水平的比较。粗体/蓝色数字表示统计学上的显著差异。0情绪 绿地 城市差异 p值 类型 空间 区域0愤怒 .0071 .0079 -9.75% < .0001 期望 .0264 .02562.95% < .0001 厌恶 .0051 .0053 -3.13% .05689 恐惧.0085 .0095 -10.27% < .0001 快乐 .0300 .0271 10.62%< .0001 悲伤 .0093 .0092 1.39% .24705 惊讶 .0129.0122 5.60% < .0001 信任 .0252 .0236 6.54% < .00010根据我们的分析,我们发现与城市地区相比,绿地中发布的推文的喜悦情绪增加了10%以上,恐惧和愤怒情绪减少了约10%。信任、惊讶和期望情绪分别增加了6.5%、5.6%和2.95%。喜悦、恐惧、愤怒、信任、惊讶和期望情绪的差异也是统计学上显著的,p值小于0.0001。虽然厌恶和悲伤情绪存在差异,但这些差异在统计学上不显著,p值大于0.05。第4.1节显示,绿地通常显示出比城市地区更高的积极性和更低的消极性,绿地中的积极情绪(喜悦、信任和期望)水平更高,消极情绪(恐惧和愤怒)水平更低。对于厌恶和悲伤的消极情绪,没有足够的证据表明绿地和城市地区之间存在任何差异。现在我们将探讨这些情绪如何随着时间的推移而变化。05 RQ2:时间的影响0在本节中,我们对不同季节的时间段以及更细粒度的时间段(如一天中的时间和一个月中的时间)进行情绪和情感的纵向研究。05.1 不同季节情绪和情感的比较0对于我们对四个季节的情绪和情感的分析,如果一条推文在该季节的三个月内发布,则将其标记为属于该特定季节,这是墨尔本广泛使用的方式:春季(9月-11月),夏季(12月-2月),秋季(3月-5月),冬季(6月-8月)。05.1.1不同季节情绪的比较。我们首先通过观察图1中绿地和城市地区发布的推文的积极、消极和极性水平来开始我们的纵向推文情绪研究。当我们观察积极情绪水平(图1a)和消极情绪水平(图1b)时,我们注意到绿地中的积极情绪较高,消极情绪较低,与城市地区相比,在春季、夏季、秋季和冬季的所有季节中都是如此。对于绿地和城市地区的推文,我们还观察到消极情绪在秋季和冬季最高,这一趋势类似于季节性情感障碍,在“冬季出现抑郁症状”3 [34,37]。请记住,一个推文可以包含积极和消极情绪(如第3.3节所述),因此我们使用推文的极性来更好地衡量推文本身的积极或消极程度。图1c显示,绿地中发布的推文的极性水平较高(更积极),与推文发布的季节无关的。特别是,我们观察到在夏季发布的推文在积极性方面最高,其次是春季、秋季和冬季,顺序与每个季节相关的温度相对应。这些推文的极性给我们提供了推文的积极性和消极性的概述,我们将在下面的章节中研究与这些推文相关的情绪。05.1.2不同季节情感的比较。图2显示了绿地和城市地区发布的推文在四个季节中期望、喜悦、惊讶和信任情感的平均水平。这些积极情感的结果与第5.1.1节中的结果类似,即绿地中的推文在同一季节中显示出比城市地区更高的期望、喜悦、惊讶和信任水平。图2b显示,喜悦情感是所有四种情感中最普遍的,绿地和城市地区的推文中喜悦情感水平最高。总的来说,结果显示绿地中的推文引发了更多积极情感的期望、喜悦、惊讶和信任。接下来,我们研究了愤怒、厌恶、恐惧和悲伤情感的平均水平,如图3所示。在愤怒情感(图3a)和恐惧情感(图3c)方面,绿地中的推文显示出较低的负面情感水平,与同一季节的城市地区相比。在厌恶情感(图3b)和悲伤情感(图3d)方面,我们观察到混合的结果,即在某些季节中,绿地中发布的推文在这些情感方面的水平较低,但在其他季节中不是这样。对于绿地中的推文,我们注意到愤怒、厌恶、恐惧和悲伤的最低水平都出现在夏季,这与季节性情感障碍的观察相似,在夏季减少抑郁症状的可能性较小[34,37]。05.2 情绪在小时、天和月份间的比较0在研究了情绪如何随季节变化之后,我们现在研究这些情绪如何在更细的时间段内,如小时、天和月份间变化,如图4所示。03 在Rastad等人的研究中[34],他们认为“冬季被定义为秋季和冬季的组合”。0Track: 认知计算 WWW 2018,2018年4月23日至27日,法国里昂0.000.020.040.060.080.000.010.030.000.040.000.010.020.000.010.030.0000.0100.000.020.0000.0020.0040.0060.0080.0000.0040.0060.00000.00250.00750.01000.00000.00250.00750.01002790绿地 城市地区0情绪水平(积极)0春季 夏季秋季 冬季0绿地 城市地区0情绪水平(消极)0春季 夏季秋季 冬季0绿地 城市地区0情绪水平(极性)0季节0春季 夏季秋季 冬季0(a) (b) (c) 图1:跨四个季节的推文情绪的纵向研究。0绿地 城市地区0情绪水平(期待)0春季 夏季秋季 冬季0绿地 城市地区0情绪水平(喜悦)0春季 夏季秋季 冬季0绿地 城市地区0情绪水平(惊讶)0春季 夏季秋季 冬季0绿地 城市地区0情绪水平(信任)0季节0春季 夏季秋季 冬季0(a) (b) (c) (d) 图2:跨四个季节的推文情绪(仅积极)的纵向研究。0绿地 城市地区0情绪水平(愤怒)0春季 夏季秋季 冬季0绿地 城市地区0情绪水平(厌恶)0春季 夏季秋季 冬季0绿地 城市地区0情绪水平(恐惧)0春季 夏季秋季 冬季0绿地 城市地区0情绪水平(悲伤)0季节0春季 夏季秋季 冬季0(a) (b) (c) (d) 图3:跨四个季节的推文情绪(仅负面)的纵向研究。0关于一天中情绪如何变化(图4a),例如12点、1点、2点等,我们注意到推文的情绪极性从中午12点左右开始降低(变得不那么积极),直到下午4-5点达到低谷,然后急剧增加。虽然这个趋势适用于绿地和城市地区,但在这个时间段内,绿地中的推文变化更加明显。我们认为这是因为大多数人在上午8点到下午5点要么在工作(或上学),并且在这个工作周期的末尾变得更加消极,即12点到4点。然而,工作周期结束后会有恢复期(工作分离和放松)[39],并且0通过晚上,即下午5点以后,人的情绪会改善。同样,社会科学家也注意到“早上积极情绪高涨,一天中逐渐下降,晚上反弹”[25]。图4b显示了情绪变化与一周中的日期有关。心理学研究表明,人们在周末更快乐[40],我们基于Twitter的研究也得出了同样的观察结果,即绿地和城市地区在周六和周日的情绪极性较高。虽然周末更积极的趋势,但我们也发现在周末期间情绪更积极,这可能是因为绿地和城市地区的情况。虽然周末更积极的趋势,但我们也0Track: 认知计算 WWW 2018,2018年4月23日至27日,法国里昂0.040.050.06051015200.0450.0500.0550.0440.0480.0520.05612345678910 11 122800一天中的小时0情感水平(极性)0区域类型0城市绿地0周一 周二 周三 周四 周五 周六 周日0一周中的天0情感水平(极性)0区域类型0城市绿地0一年中的月0情感水平(极性)0区域类型0城市绿地0(a)(b)(c)0图4:基于推文发布时间的情感纵向研究(左:一天中的小时,中:一周中的天,右:一年中的月)。为了更清楚地进行比较,刻度并非从零开始。0医院(癌症治疗)0治疗)0主要火车换乘站0多个0铁路/道路和交叉口0住宅建筑0住宅建筑0主要道路0交叉口0图5:基于网格的情感分析0观察到绿地中的推文与城市地区相比始终更积极,不论推文是在哪一天发布的。情感在月份上的变化(图4c)显示,绿地中的情感在5月份最低(最消极),即秋天结束之前,然后逐渐增加到12月份达到高峰,即夏天开始。虽然城市地区的推文情感存在一些变化,但我们注意到城市地区的情感变化没有明显的趋势。这些结果展示了情感如何在月份上变化的更细粒度分析,同时显示了在更广泛的季节上情感如何变化的相同总体趋势(如第5.1.2节所讨论的)。06 RQ3: 绿地接近效应0在本节中,我们通过对广泛城市网格中的情感进行高级研究,并研究城市地区情感与绿地接近程度之间的相关性,来研究绿地接近效应。06.1基于网格的分析0为了更广泛地了解墨尔本的情感,我们对相同的区域进行了情感极性的基于网格的分析。0城市中,每个250米网格包含该网格内所有推文的聚合情感极性。图5显示了这个分析的结果,其中蓝色网格表示积极情感,红色网格表示消极情感,而深色表示该情感的水平更高。图5显示,大多数带有消极情感的网格与包含大型交通基础设施(火车站、道路交叉口、铁路轨道)或住宅区的区域相关。大多数包含绿地的网格显示出积极情感,除了一个包含医院的网格(该医院已经搬迁),大多数推文提到了探望病人或接受癌症治疗。06.2绿地接近程度与城市情感0为了了解绿地与城市地区用户情感之间的接近程度,我们计算了城市推文的情感水平与其距离最近的绿地之间的皮尔逊相关系数。表3和表4分别显示了这个相关性测试在情感(积极、消极、极性)和情绪(愤怒、期待、厌恶、恐惧、喜悦、悲伤、惊讶和信任)方面的结果。0表3:情感与最近绿地距离的皮尔逊相关系数。粗体/蓝色数字表示统计上显著的相关性。0情感相关性p值0负面 -0.0150 < .0001 正面 0.0003.90918 极性 0.0091 .000170结果(表3)显示负面情绪与绿地接近度呈显著负相关(p <.0001),情绪极性与绿地接近度呈显著正相关(p =.00017),但正面情绪没有相关性。表4显示愤怒、期待、恐惧、悲伤和信任0Track: 认知计算 WWW 2018,2018年4月23日-27日,法国里昂2810与绿地接近度呈负相关(所有情绪的p < .0001,悲伤的p =.00655),而喜悦呈正相关(p <.0001)。这些结果表明,虽然绿地对城市地区有影响,但在减少负面情绪方面具有显著性,但在增加正面情绪方面没有显著性。0表4:情绪与最近绿地距离的皮尔逊相关系数。粗体/蓝色数字表示统计上显著的相关性。0情绪相关性p值0愤怒 -0.0111 < .0001 期待 -0.0103< .0001 厌恶 -0.0011 .64589 恐惧-0.0244 < .0001 喜悦 0.0191 <.0001 悲伤 -0.0066 .00655 惊讶0.0031 .19721 信任 -0.0094 < .00010主要发现的讨论0在本节中,我们首先强调了我们研究的主要发现,然后讨论了这些发现在城市规划中的一些影响。我们关于绿地如何影响用户情绪的主要发现是:•RQ1:总体而言,绿地中的推文比城市地区中的推文更积极和更少消极。当我们从特定情绪的角度来考察这些变化时,与城市地区相比,绿地表现出更高的喜悦、期待和信任(积极情绪),以及更低的愤怒和恐惧(消极情绪)。•RQ2:虽然绿地通常比城市地区更积极,但推文发布的季节对各种情绪的影响不同。我们观察到,绿地在四个季节中显示出更高的极性(更积极),而较暖的季节(春季和夏季)更积极,较冷的季节更少消极。•RQ2:将我们的分析按小时和天数进行细分,结果显示情绪变化反映了用户的一般生活方式。例如,在工作日结束时(傍晚),情绪极性最低,然后在下班后的晚上逐渐增加。同样,周末的情绪比工作日更积极,绿地在所有天数都比城市地区更积极。•RQ3:我们的基于网格的分析显示,包含主要交通相关基础设施和住宅区的地区更有可能显示出消极情绪,而几乎所有绿地区域都表现出积极情绪(除了一个既包含绿地又包含医院的区域)。•RQ3:在研究城市推文时,我们发现城市推文的情绪极性与其距离0最近的绿地。结果显示,城市地区的推文与距离绿地的负面情绪呈显著负相关,但对于正面情绪没有显著相关性。0这些发现对城市规划当局[15, 38,54]和智能城市应用[2]具有重要意义。它们为旨在通过城市绿化干预改善福祉结果的政策提供了支持性证据;人们在绿地或靠近绿地的地方表达更多的积极情绪和较少的消极情绪。在墨尔本,这种效应在较暖的月份和周末尤为显著。在一年的某些时候,例如秋季,公园中表达的负面情绪比城市地区多。进一步的研究可以探讨这些季节性变化是否可以得到缓解(例如,负面情绪可能与落叶造成的脏乱有关,可以通过额外的维护来缓解),或者是否可以在最佳时间推广公园使用。除了城市规划,我们还可以通过使用我们的情绪分析方法来识别和推荐引起更多积极情绪的兴趣点,从而改进现有的旅游推荐和路径规划系统[6, 17, 22, 47]。08 结论0本文研究了绿地对用户情感的影响,基于Twitter用户通过地理标记推文留下的数字痕迹,并在第7节中呈现了我们的主要发现。据我们所知,我们的工作是第一个利用大数据驱动方法来理解绿地如何与不同时间段和空间区域的用户情感相关的研究。与以往利用调查、问卷和案例研究的工作相比,我们的方法利用了大量的Twitter数据,这些数据可以轻松收集,对用户来说既不具侵入性,也不耗时(因为推文是公开可用的)。这些特性使得进行细粒度分析具有前所未有的能力,例如一次性捕捉所有绿地,研究局部效应、规模效应、时间效应和范围效应,从而也可以识别出差距。此外,我们的研究方法可以轻松扩展到研究其他问题,因此这种类型的分析对于社会研究人员和心理学家来说是相关的,他们目前正在使用独立研究和传统方法。例如,我们可以通过对在自然灾害附近或居住在自然灾害附近的用户发布的大量推文进行情感分析,而不是进行调查,以了解特定危机或自然灾害如何影响人们的情感福祉。未来,我们打算扩展我们的研究,利用图像识别技术和情感分析在照片共享网站上进行研究,类似于使用Instagram研究宠物拥有和饮酒[30, 51]。0致谢。本研究部分得到墨尔本网络社会研究所和国家环境科学计划下的清洁空气和城市景观中心的支持。作者感谢IBM Research -Australia和墨尔本市的初步讨论,以及匿名审稿人的有用评论。0Track: 认知计算 WWW 2018, 2018年4月23日至27日,法国里昂2820参考文献0[1] Harshavardhan Achrekar, Avinash Gandhe, Ross Lazarus, Ssu-Hsin Yu, andBenyuan Liu. 2011. 利用Twitter数据预测流感趋势. 信息通信大会论文集. [2] Dirk Ahlers,Patrick Driscoll, Erica Lofstrom, John Krogstie, and Annemie Wyckmans. 2016.将智能城市视为社会机器. WWW会议论文集. [3] Luca Maria Aiello, Rossano Schifanella,Daniele Quercia, and Francesco Aletta. 2016. Chatty maps:利用社交媒体数据构建城市区域的声音地图. 皇家科学学会开放科学期刊. [4] LuluahAl-Husain, Eiman Kanjo, and Alan Chamberlain. 2013.空间感:在城市空间中绘制生理情感反应. UbiComp会议论文集. [5] Nicola Barbieri,Francesco Bonchi, and Giuseppe Manco. 2014.谁要关注以及为什么:带有解释的链接预测. KDD会议论文集. [6] Idir Benouaret andDominique Lenne. 2016. 用于规划旅游访问的复合推荐系统. WI会议论文集. [7]Christoph Besel, Jorg Schlotterer, and Michael Granitzer. 2016.从Twitter关注者推断语义兴趣配置文件:Twitter是否比你的朋友更了解你?.SAC会议论文集. [8] Johan Bollen, Huina Mao, and Alberto Pepe. 2011.建模公众情绪和情感:Twitter情感和社会经济现象. ICWSM会议论文集. [9] AnnaChiesura. 2004. 城市公园对可持续城市的作用. 景观与城市规划. [10] Michael Conover,Jacob Ratkiewicz, Matthew R. Francisco, Bruno Goncalves, Filippo Menczer, andAlessandro Flammini. 2011. Twitter上的政治极化. ICWSM会议论文集. [11] Anqi Cui,Min Zhang, Yiqun Liu, Shaoping Ma, and Kuo Zhang. 2012.利用热门标签在Twitter上发现突发事件. CIKM会议论文集. [12] Payam Dadvand, JordiSunyer, Mar Alvarez-Pedrerol, Albert Dalmau-Bueno, Mikel Esnaola, Mireia Gascon,Montserrat De Castro Pascual, Xavier Basagana, Ian G. Morgan, and Mark J.Nieuwenhuijsen. 2017. 巴塞罗那学童的绿地和眼镜使用. 环境研究. [13] Emilio Ferrara,Onur Varol, Filippo Menczer, and Alessandro Flammini. 2013.旅行趋势:社交蝴蝶还是常旅客?. COSN会议论文集. [14] Morgan R. Frank, LewisMitchell, Peter S. Dodds, and Christopher M. Danforth. 2013.幸福和生活模式:地理定位推文的研究. 科学报告. [15] Terry Hartig and Peter H. Kahn.2016. 自然居住在城市中. 科学. [16] Terry Hartig, Richard Mitchell, Sjerp De Vries, andHoward Frumkin. 2014. 自然与健康. 公共卫生年度评论. [17] Haosheng Huang, SilviaKlettner, Manuela Schmidt, Georg Gartner, Sven Leitinger, Andreas Wagner, andRenate Steinmann. 2014. AffectRoute
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- ExtJS 2.0 入门教程与开发指南
- 基于TMS320F2812的能量回馈调速系统设计
- SIP协议详解:RFC3261与即时消息RFC3428
- DM642与CMOS图像传感器接口设计与实现
- Windows Embedded CE6.0安装与开发环境搭建指南
- Eclipse插件开发入门与实践指南
- IEEE 802.16-2004标准详解:固定无线宽带WiMax技术
- AIX平台上的数据库性能优化实战
- ESXi 4.1全面配置教程:从网络到安全与实用工具详解
- VMware ESXi Installable与vCenter Server 4.1 安装步骤详解
- TI MSP430超低功耗单片机选型与应用指南
- DOS环境下的DEBUG调试工具详细指南
- VMware vCenter Converter 4.2 安装与管理实战指南
- HP QTP与QC结合构建业务组件自动化测试框架
- JsEclipse安装配置全攻略
- Daubechies小波构造及MATLAB实现
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功