Social Media Big Data Acquisition and Analysis for Qualitative GIScience: Challenges and Opportunities
Notice bibliographique
Résumé
Qualitative geographic information systems (GIS) have come a long way since the original call from critical GIS scholars in the 1990s. The invention of the geoweb as well as big data sources for qualitative information have enabled qualitative GIS to actually be implemented. Academic researchers are now grappling with how best to engage with and use qualitative spatial data. Our focus is on using qualitative data from social media sources. We review the process of collecting and analyzing patterns based on qualitative spatial data using methods from GIScience as well as new techniques from computational linguistics. We review these methods through the lens of critical qualitative GIScience. We reflect critically on the ethics associated with implementation of social qualitative data. Qualitative GIS has reached a critical juncture where the data, methods, and tools have enabled new questions to be asked that were previously not possible to pose. In this article we look to provide guidance and clarity for researchers engaging with geo-social and spatial qualitative data.
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 | 0,411 | 0,559 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,013 | 0,018 |
| Études des sciences et des technologies | 0,011 | 0,030 |
| Communication savante | 0,026 | 0,031 |
| Science ouverte | 0,007 | 0,020 |
| Intégrité de la recherche | 0,005 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».