Image auto-coding tools for social impact assessment: leveraging social media data to understand human dimensions of hydroelectricity landscape changes in Canada
Notice bibliographique
Résumé
Social media data has been shown to be a valuable data source for assessing social impacts, particularly when paired with the swift progress in artificial intelligence technologies, allowing comprehensive analyses of larger datasets than is possible using conventional approaches. We sought to understand the social impacts of hydropower-related landscape changes based on a quasi-chronosequence of three study cases in Canada, using social media images in conjunction with machine learning to conduct image and textual analysis. We employed the Google Cloud Vision API, a pre-trained artificial intelligence (AI)-based tool, to detect labels from over 19,000 landscape images of the relevant regions sourced from Instagram. This yielded a comprehensive set of over 188,000 labels. We used a generative probabilistic model (Latent Dirichlet allocation, an unsupervised machine learning algorithm) to create clusters based on the labels. These clusters revealed prevalent landscape features, human activities, and animate and inanimate objects—as well as which frequently co-occurred—allowing us to understand and predict some of the social impacts of the landscape changes potentially caused by hydroelectric dams and reservoirs. This provides an example of integrating social media data and automated analysis tools powered by machine/deep learning into social impact assessment. Notably, such pre-trained (or “ready-to-use”) tools require minimum programming skills, benefiting scholars and practitioners who are less versed in technical domains. The insights gained from hydroelectricity case studies can also inform decisions about energy transition.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».