Communities of Interest–Interest of Communities: Social and Semantic Analysis of Communities in Infrastructure Discussion Networks
Notice bibliographique
Résumé
The process of public consultation for planning and construction of sustainable urban infrastructure requires a bidirectional communication among as many stakeholders of the project as possible. In modern infrastructure projects, social web and online social media play an important role in involving citizens through what is referred to as “microparticipation.” However, the social network which is formed behind the scene of microparticipation is usually ignored by both researchers and practitioners. This article combines community detection in social networks with information retrieval methods, to detect and label communities of project followers and cores of interest in the network of urban infrastructure project stakeholders. We study dynamics of the network and its communities by monitoring them over time. This technique is used to analyze followers of a Light Rail Transit (LRT) project in microblogging website Twitter and profile them based on their interests and ideas they support. Although methods of this article can be readily applied to other cases where connectivity of project followers and their descriptions are retrievable, our work is mainly interested in how to analyze Twitter discussions without any assumption that they replace the other online or offline means of public involvement in infrastructure projects. This article is an extended version of a conference paper that appeared as Nik Bakht & El-Diraby, 2013(2).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,009 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».