Analytics of big geosocial media and crowdsourced data
Notice bibliographique
Résumé
<p>[Introduction]: "Numerous crowdsourcing and social media platforms such as CrowdSpring, Idea Bounty, DesignCrowd, Facebook, Twitter, Flickr, Weibo, WeChat, and Instagram are creating and sharing vast amounts of user-generated content that can reveal timely and useful information for detecting traffic patterns, mitigating security risks and other types of time-critical events, discovering social structures characteristics, predicting human movement, etc. Crowdsourcing, also known as volunteered geographic information (VGI), has added a new dimension to traditional geospatial data acquisition by providing fine-grained proxy data for human activity research in urban studies (Chen et al., <a href="https://www-tandfonline-com.ezproxy.lib.ryerson.ca/doi/full/10.1080/20964471.2021.1898780#" target="_blank">2016</a>; Niu & Silva, <a href="https://www-tandfonline-com.ezproxy.lib.ryerson.ca/doi/full/10.1080/20964471.2021.1898780#" target="_blank">2020</a>). However, analyzing big geosocial media and crowdsourced data brings significant methodological and theoretical challenges due to the uncertain user representability when referring to human behavior in general, the inherent noisy data that requires high-performance cost of preprocessing, and the heterogeneity in quality and quantity of sources. In particular, geosocial media data and their derived metrics can provide valuable insights and policy strategies, but they require a deep understanding of what the metrics actually measure (Zook, <a href="https://www-tandfonline-com.ezproxy.lib.ryerson.ca/doi/full/10.1080/20964471.2021.1898780#" target="_blank">2017</a>). All of these underpin complex assessments, not mentioning the ethnic and privacy issues. Therefore, new sets of methods and tools are required to analyze the big data from crowdsourcing and social media platforms."</p>
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
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 tête enseignante, 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 ».