خلاصه

مزایای محیط طبیعی در فضای شهری در مطالعات متعدد مورد بررسی قرار گرفته است. با این حال، تنها تعداد کمی آمار و مطالعات در مورد همبستگی بین احساس و فضای اسکله شهری، به ویژه با توجه به تفاوت های جنسیتی انجام شده است. با در نظر گرفتن شهر ووهان به عنوان مثال، این مطالعه رویکرد و دیدگاه جدیدی را ارائه می دهد. تحلیل احساسات متنی با تکنیک تحلیل فضایی بر اساس داده های بزرگ رسانه های اجتماعی ترکیب شده است. بر اساس عواطف عمومی جنسیت‌های مختلف در فضای شهری، پیشنهادهایی برای برنامه‌ریزی و توسعه شهری از دیدگاه POI (نقطه مورد علاقه) ارائه می‌شود. مراحل اصلی عبارتند از: (1) تجزیه و تحلیل امتیاز احساسی متون Weibo منتشر شده توسط شهروندان در منطقه ساحلی 21 دریاچه در شهر ووهان. (2) بررسی ویژگی‌های عواطف عمومی جنسیت‌های مختلف در اسکله شهری؛ (3) طبقه بندی اسکله بر اساس پاسخ عاطفی (امتیاز) عمومی از جنس های مختلف. (4) بررسی رابطه بین انواع مختلف POI و انواع اسکله و پیشنهاد پیشنهادهای برنامه ریزی. نتایج این مطالعه شواهدی برای تفاوت‌های جنسیتی و توزیع فضایی احساسات عمومی در منطقه ساحلی ووهان ارائه می‌کند. این می تواند به تصمیم گیرندگان کمک کند تا در مورد حفاظت قبلی و جهت توسعه فضای اسکله قضاوت کنند، بنابراین امکان سنجی این رویکرد را نشان می دهد. (4) بررسی رابطه بین انواع مختلف POI و انواع اسکله و پیشنهاد پیشنهادهای برنامه ریزی. نتایج این مطالعه شواهدی برای تفاوت‌های جنسیتی و توزیع فضایی احساسات عمومی در منطقه ساحلی ووهان ارائه می‌کند. این می تواند به تصمیم گیرندگان کمک کند تا در مورد حفاظت قبلی و جهت توسعه فضای اسکله قضاوت کنند، بنابراین امکان سنجی این رویکرد را نشان می دهد. (4) بررسی رابطه بین انواع مختلف POI و انواع اسکله و پیشنهاد پیشنهادهای برنامه ریزی. نتایج این مطالعه شواهدی برای تفاوت‌های جنسیتی و توزیع فضایی احساسات عمومی در منطقه ساحلی ووهان ارائه می‌کند. این می تواند به تصمیم گیرندگان کمک کند تا در مورد حفاظت قبلی و جهت توسعه فضای اسکله قضاوت کنند، بنابراین امکان سنجی این رویکرد را نشان می دهد.

کلید واژه ها:

آب نماها ؛ تفاوت های جنسیتی ؛ احساسات ؛ رسانه های اجتماعی ؛ اطلاعات بزرگ

1. معرفی

آب‌نما به زمین یا ساختمان‌های مجاور رودخانه‌ها، دریاچه‌ها و اقیانوس‌ها در یک شهر، به‌ویژه بخشی از شهر در مجاورت بدنه آبی اشاره دارد [ 1 ]. آب نما به عنوان منطقه ای از تعامل آب بین توسعه شهری و نیازهای شهر و ساکنان آن تعریف می شود و بخشی ضروری از سیستم فضای عمومی شهری در نظر گرفته می شود [ 2 ، 3 ]. فضای باز اسکله بین خشکی و آب می تواند دسترسی و صمیمیت بین مردم و طبیعت را افزایش دهد [ 4 ]. یک اسکله مانند یک پارک عمل می کند، اما جذابیت منحصر به فردی دارد [ 4 ]. در توسعه مدرن شهرهای چین، توسعه سریع شهرها باعث از بین رفتن مناطق مختلف ساحلی شد.5 ، 6 ]. توسعه بعدی آبنما اغلب باعث مشکلات اجتماعی، اقتصادی و زیست محیطی می شود.7 ، 8 ، 9 ، 10 ، 11 ]. بنابراین، از دهه 1980، مناطق ساحلی به کانون مداخله برنامه ریزی و نوسازی شهری شدید تبدیل شده اند [ 3 ]. آب نما شهری در حال حاضر یکی از حساس ترین مناطق در محیط زیست بوم شهری و سبک زندگی است [ 12 ]. در سال‌های اخیر، محققان به نیاز به حفاظت از پناهگاه‌های سبز به دلیل شرایط زندگی ناسالم متعدد در شهرها پی برده‌اند [ 13 ، 14 ، 15 ، 16 ،17 ، 18 ، 19 ، 20 ].
هیجان یک ویژگی پیچیده چند بعدی است که شخصیت و ویژگی های رفتاری افراد را منعکس می کند [ 21 ]. مردم از اشکال مختلف ارتباط برای انتقال احساسات خود به دیگران استفاده می کنند [ 21 ]. بیشتر مطالعات اولیه داده ها را از طریق نظرسنجی های اجتماعی جمع آوری کرده اند که دارای حجم نمونه محدود و جدول زمانی تحقیقاتی طولانی هستند [ 22 ، 23 ]. با این حال، با توجه به توسعه علم و فناوری، مردم شروع به به اشتراک گذاشتن نظرات و مشاهدات خود، از جمله احساسات خود، از طریق انواع مختلف رسانه های اجتماعی کردند [ 24 ، 25 ]. نمونه‌های داده‌های رسانه‌های اجتماعی غنی و به‌موقع هستند و همچنین می‌توانند برای ردیابی حرکات کاربران استفاده شوند [ 26 ،27 ]. تلاش برای به کارگیری فناوری‌های جدید برای علمی‌تر کردن تفکر و عمل برنامه‌ریزی شهری از قرن گذشته ادامه داشته است [ 28 ، 29 ، 30 ، 31 ]. مطالعات اخیر همچنین امکان استفاده از داده‌های رسانه‌های اجتماعی را برای مطالعه مسائل سلامت مورد بررسی قرار داده‌اند و ارزش شبکه‌های اجتماعی را در تحقیقات سلامت روان نشان می‌دهند [ 32 ، 33 ، 34 ]. با توجه به پیشرفت فناوری و شبکه‌های اجتماعی، رسانه‌های اجتماعی می‌توانند داده‌های متنوع‌تری (به عنوان مثال، متن، تصاویر، صدا و ویدئو) ارائه دهند. متن همچنان رایج ترین شکل ارتباط در شبکه های اجتماعی است [ 21]. محققان مطالعات مفصلی در مورد تحلیل احساسات در اشکال مختلف متن، از جمله تکامل احساسات، مدل‌ها و روش‌های تشخیص انجام داده‌اند [ 35 ، 36 ، 37 ، 38 ، 39 ]. روش‌های مختلفی نیز در تحقیقات دقیق پیشنهاد و اعمال شده است [ 40 ، 41 ، 42 ، 43 ]. آنها دیدگاه‌های جدیدی را برای حفاری اطلاعات غنی در مورد روان‌شناسی، احساسات و ادراک ارائه کردند که عمدتاً مبتنی بر فناوری تجزیه و تحلیل رایانه‌ای از جمله یادگیری عمیق، پردازش زبان طبیعی و تجزیه و تحلیل به کمک هوش مصنوعی است.
تأثیر مهم فضای شهری بر شناخت انسان در حوزه برنامه ریزی شهری مورد بررسی قرار گرفته است [ 44 ، 45 ، 46 ، 47 ، 48 ]. به طور همزمان، تعامل بین شناخت و احساس به موضوع مهمی در زمینه های زیست شناسی و پزشکی تبدیل شده است [ 49 ، 50 ، 51 ، 52 ، 53 ، 54 ]. تحقیقات قابل‌توجهی در مورد فضای عمومی شهری و سلامت عاطفی کاربران بر پارک‌ها و مناطق سبز متمرکز شده است، در حالی که تنها مطالعات کمی رابطه بین آب‌نما و احساسات انسانی را بررسی کرده‌اند [ 55 ، 56 ،57 ، 58 ]. اسکله در یک شهر نقش مهمی در سلامت عمومی دارد. به طور خاص، آب نماها فرصت های تمرین بدنی را فراهم می کند که از طریق فرصت های ارتباطی برای تعامل، سلامت عمومی را حمایت و ارتقا می دهد، می تواند خلق و خوی را بهبود بخشد و سطح استرس و اضطراب فرد را کاهش دهد و تأثیر مثبتی بر سلامت روان داشته باشد [59 ، 60 ، 61 ، 62 ] . فضای شهری می تواند بر عواطف شهروندان تأثیر بگذارد، بنابراین توجه به عوامل عاطفی شهروندان در برنامه ریزی و طراحی شهری به عنوان بازخورد بسیار ضروری است [ 63] .]. طراحی شهرها نیازمند شناخت است – فرآیندهای ذهنی شامل برنامه ریزی، تصمیم گیری، حل مسئله و یادگیری. شواهد تجربی قابل توجهی وجود دارد که همه این فرآیندها دارای یک جزء عاطفی بزرگ هستند [ 64 ، 65 ، 66 ].
در عین حال، مطالعات نشان داده اند که تفاوت های جنسیتی در احساسات انسان وجود دارد. به طور خاص، زنان بیشتر تحت تأثیر اختلالات خلقی قرار می گیرند [ 67 ، 68 ، 69 ]. علاوه بر این، پاسخ‌های فیزیولوژیکی خاص هیجانی قوی‌تری با زنان در هنگام پردازش احساسات مختلف مشاهده شده است [ 70 ، 71 ]. در مقابل، مشاهده شده است که مردان کنترل شناختی بهتری بر احساسات منفی دارند [ 72 ]، و همچنین احتمالاً از راهبردهای کنترل شناختی برای مبارزه با اثرات منفی استفاده می کنند [ 73] .]. با توجه به دو نکته فوق، تحلیل تفاوت جنسیتی عواطف کاربران در فضاهای عمومی شهری مانند آب نماها ارزشمند است.
اطلاعات احساسی از نحوه درک مردم از محیط اطراف خود در شهر می تواند پایه ای حیاتی برای برنامه ریزی شهری نوآورانه ایجاد کند. با در نظر گرفتن ووهان به عنوان مثال، این مقاله یک رویکرد انسان محور ارائه می دهد که تجزیه و تحلیل احساسات متنی را با تکنیک های تجزیه و تحلیل فضایی بر اساس داده های بزرگ رسانه های اجتماعی ترکیب می کند. این مقاله به تفاوت‌های جنسیتی و احساسات عمومی نسبت به فضای آب‌نمای شهری توجه می‌کند و پیشنهادهایی برای برنامه‌ریزی و توسعه آب‌نمای شهری از دیدگاه POI (نقطه مورد علاقه) ارائه می‌کند. در GIS و نقشه الکترونیک اینترنتی، یک POI می تواند خانه، مغازه، صندوق پست، ایستگاه اتوبوس و غیره باشد. روش مورد استفاده در رویکرد ما شامل چهار مرحله است: (1) استفاده از فرهنگ لغت گسترده احساسات برای تجزیه و تحلیل امتیاز عاطفی متون Weibo منتشر شده توسط شهروندان در مناطق ساحلی 21 دریاچه در شهر ووهان؛ (2) بررسی ویژگی‌های عواطف عمومی جنسیت‌های مختلف در اسکله شهری؛ (3) طبقه بندی اسکله بر اساس پاسخ عاطفی (امتیاز) عمومی از جنس های مختلف. (4) بررسی رابطه بین انواع مختلف POI و انواع آب نما بر اساس رگرسیون خطی و رگرسیون وزنی جغرافیایی. برخلاف رویکردهای قبلی، که بر روش‌های یک رشته مانند GIScience، زبان‌شناسی محاسباتی (CL)، جامعه‌شناسی یا علوم رایانه (CS) تکیه کرده‌اند، ما یک روش فرا رشته‌ای را پیشنهاد می‌کنیم. ساختار این مقاله به شرح زیر است: پس از این مقدمه، بخش دوم پیشینه طبیعی و اجتماعی پایه منطقه مورد مطالعه، محتوای داده ها و فرآیند پیش پردازش مورد استفاده در این مطالعه را تشریح می کند. بخش سوم روش امتیازدهی به احساسات متون Weibo در این مطالعه و رگرسیون وزن‌دار جغرافیایی (GWR) و روش‌های رگرسیون خطی چندگانه مورد استفاده در تحلیل‌های بعدی را معرفی می‌کند. نتایج، بحث ها و نتیجه گیری در سه بخش بعدی ارائه شده است.

2. مواد

2.1. منطقه مطالعه

ووهان (113°41’–115°05′ شرقی، 29°58′-31°22′ شمالی) شهر مرکزی چین مرکزی است ( شکل 1 )، بزرگترین شهر در میانه رود یانگ تسه و بیشترین شهر پرجمعیت در چین مرکزی [ 74 ]. مساحت کل ووهان 8589.15 کیلومتر مربع است که جمعیت دائمی آن 59.17 میلیون نفر در سال 2018 است [ 75 ]. ووهان توسط سومین رودخانه بزرگ جهان، رودخانه یانگ تسه، و بزرگترین شاخه آن، رودخانه هان، عبور می کند و از نظر جغرافیایی به سه شهر ووچانگ، هانکو و هانیانگ تقسیم می شود [76 ] . رودخانه های شهر در هم تنیده هستند و مساحت آب یک چهارم کل مساحت شهر را تشکیل می دهد [ 77]]. طبق “مقررات حفاظت از دریاچه شهر ووهان” که توسط اداره امور آب شهرداری ووهان صادر شده است، شهر ووهان در مجموع دارای 166 دریاچه است. در میان آنها، دریاچه Tangxun با مساحت 47.6 کیلومتر مربع در حال حاضر بزرگترین دریاچه شهری در چین است [ 78 ].
ووهان دارای سه جاده کمربندی است و جاده حلقه سوم اساساً مرز بین شهر و حومه است [ 79 ]. جاده کمربندی سوم 91 کیلومتر طول دارد و کل منطقه مرکز شهر را احاطه کرده است. توسعه شهری در محدوده جاده کمربندی سوم، بلوغ نسبتاً بالایی و توسعه سریع در زمینه های اقتصادی، فرهنگی و غیره را به همراه داشته است. به طور مشابه، موقعیت جغرافیایی داده های Weibo عمدتاً در جاده حلقه سوم توزیع شده است. بنابراین، منطقه مورد مطالعه در این مطالعه یک منطقه حائل از 21 دریاچه اصلی در جاده کمربندی سوم است ( شکل 1 ).

2.2. منابع داده و پیش پردازش

مجموعه داده رسانه های اجتماعی مورد استفاده در این مطالعه از Sina Weibo به دست آمده است. Sina Weibo پلت فرمی برای به اشتراک گذاری، انتشار و دسترسی به اطلاعات بر اساس روابط کاربر است که توسط Sina.com راه اندازی شده است. این پلتفرم آنلاین 57 درصد از کل تعداد کاربران Weibo چینی (شامل Tencent weibo، Netease weibo، Sohu weibo و غیره) و 87 درصد از تعداد کل فعالیت های Weibo چینی را به خود اختصاص داده است و آن را به یکی از پربازدیدترین وب سایت ها تبدیل کرده است. سرزمین اصلی چین [ 1]. بقیه ارجاعات به Weibo در این مقاله به Sina Weibo است. کاربران می توانند اطلاعات را از طریق صفحات وب، صفحات، برنامه های خارجی و پیام های متنی تلفن همراه یا MMS منتشر کنند تا به اشتراک گذاری فوری دست یابند. مجموعه داده Weibo مورد استفاده در این مطالعه شامل محتوای متن ارسال شده توسط کاربر، موقعیت جغرافیایی (یعنی طول و عرض جغرافیایی) کاربر در زمان انتشار، زمان انتشار و جنسیت کاربر است. به دلایل فضایی، شکل زیر برخی از داده‌های خام را نشان می‌دهد ( شکل 2 ). داده‌ها از 1 ژانویه تا 31 دسامبر 2018 منطقه ووهان را پوشش می‌دهند و شامل 997832 متن، شامل 343،973 متن از کاربران مرد و 653،859 متن از کاربران زن است. .
داده های POI در سال 2018 از طریق فراخوانی برنامه نویسی پایتون به Open API (Application Programming Interface) از سرویس نقشه برداری آنلاین Amap ( https://lbs.amap.com/ ) با مجموع 250000 قطعه به دست آمد. API مجموعه‌ای از روتین‌ها است که یک برنامه کاربردی را بر اساس نرم‌افزار یا سخت‌افزار قابل دسترسی می‌سازد. با توجه به محدودیت داده‌ها در Sina.com، مختصات موقعیت داده‌های متنی یا ناقص است یا فراتر از مرز ووهان است و بنابراین نیاز به تمیز کردن و پیش پردازش دارد. پس از پردازش، داده‌های متنی کامل و مؤثر Weibo در جاده حلقه سوم با مجموع 651177 مقاله بر اساس ویژگی‌های جنسیتی انتخاب و متمایز می‌شوند. طبق نتایج تحقیقات قبلی در مورد منطقه حائل ساحلی در شهر ووهان [ 80]، منطقه 21 دریاچه اصلی در امتداد جاده کمربندی سوم که 1000 متر به سمت خارج امتداد دارد به عنوان منطقه آب نما در این مطالعه انتخاب شده است. تمام ارجاعات به “بافر” در این مطالعه به این محدوده اشاره دارد. این بافر در مجموع 266294 داده متنی Weibo دارد که شامل 87861 مرد و 178433 زن است. این داده ها با استفاده از ArcGIS 10.5 تجسم می شوند ( شکل 3 ). به طور همزمان، از همان روش برای رهگیری داده های POI در بافر استفاده می شود. پس از تمیز کردن و تکمیل، 90000 داده POI به دست می آید. با توجه به ویژگی های آنها، این داده های POI به پنج دسته تقسیم می شوند: خرید، اوقات فراغت، زیرساخت، فرهنگ و رستوران.

3. روش ها

3.1. تجزیه و تحلیل احساسات متن Weibo

3.1.1. فرهنگ لغت عاطفی متنی Weibo توسعه یافته

متفاوت از زبان های گفتاری، نوشتاری و طبیعی معمولی، متون Weibo حاوی واژگان قابل توجه آنلاین و نمادهای شبکه مانند لینک ها، کلمات محبوب، نمادهای متعدد، فاصله ها، هشتگ ها و ذکر سایر کاربران است. این کلمات دشواری تجزیه و تحلیل احساسات Weibo را افزایش می دهند و فرهنگ لغت رایج موجود هنوز در این جنبه ها وجود ندارد.
از نظر منابع فرهنگ لغت احساسات چینی، HowNet یک پایگاه دانش نسبتاً جامع در چین است. با توجه به کمک هاو نت ، محققان تلاش کرده اند تا فرهنگ لغت عاطفی در زمینه های خاص بسازند. در کار تجزیه و تحلیل احساسات، اطلاعات احساسات بیان شده توسط کلمات احساسی برای تعیین دقیق قطبیت احساسات یک جمله بسیار مهم است. برای استفاده کامل از اطلاعات احساسی یک جمله، این مطالعه با استفاده از فرهنگ لغت مناسب و هدفمندتر، امتیاز احساسات را با توجه به فراوانی کلمات احساسی در اسناد با قطبیت های مختلف محاسبه می کند. ابتدا بر اساس دیکشنری HowNet [ 81]، مقوله‌های احساسات اجتماعی بر اساس ادبیات موجود مرتبط با احساسات اجتماعی و اهداف تحلیل تعیین می‌شوند. علاوه بر این، فرهنگ لغت‌های احساسی موجود یکپارچه شده‌اند، کلمات عاطفی معمولی Weibo تکمیل شده‌اند، و یک فرهنگ لغت معیار معیار در مقیاس کوچک ایجاد شده است. دوم، ابزار یادگیری عمیق Word2Vec برای تجزیه و تحلیل مجموعه رویدادهای داغ اجتماعی و نظرات در پلت فرم Weibo و گسترش فرهنگ لغت معیار به صورت تدریجی استفاده می شود. روند ساخت و ساز در شکل 4 نشان داده شده است .

اطلاعات متقابل نقطه به نقطه (PMI) یک روش اندازه گیری اطلاعات رایج است. PMI عمدتا برای محاسبه شباهت معنایی بین کلمات استفاده می شود [ 82 ]. اصل اصلی این است که احتمال ظاهر شدن دو کلمه به طور همزمان در متن را بشماریم. هر چه این احتمال بیشتر باشد، همبستگی بیشتر است. روش محاسبه PMI به شرح زیر است:

پممن( شما _ _ _1 , w o r d 2 ) =log2ن× دf( شما _ _ _1 و w o r d2 )دf( شما _ _ _1 ) ×دf( شما _ _ _2 )���(����1, ����2)=���2�×��(����1&����2)��(����1)×��(����2)

که در آن N نشان دهنده تعداد کل اسناد موجود در مجموعه است، دf( شما _ _ _1 ) ،د f( شما _ _ _2 )د�(���د1)، د�(���د2)فراوانی اسنادی است که word1 و word2 در بدنه ظاهر می شوند و دf( شما _ _ _1 و w o r d2 )د�(���د1&���د2)به word1 و word2 در مجموعه ای که فراوانی اسناد ظاهر می شود اشاره دارد.

روش PMI در SO برای گرفتن کلمات احساسی معرفی شده است. ایده اصلی الگوریتم SO-PMI بر اساس اطلاعات متقابل بین نقاط به شرح زیر توضیح داده شده است. ابتدا مجموعه‌ای از کلمات ستایش‌آمیز و تحقیرآمیز به عنوان کلمات مرجع انتخاب می‌شوند، با این فرض که Pwords و Nwords برای نمایش این دو مجموعه از کلمات استفاده می‌شوند. این کلمات احساسی باید به شدت مشهود و در این زمینه بسیار نمایان باشد. اگر اطلاعات متقابل بین نقاط word1 و Pwords از اطلاعات متقابل بین نقاط word1 و Pwords کم شود.تفاوتی حاصل می شود و می توان گرایش عاطفی word1 را با توجه به چنین تفاوتی قضاوت کرد. روش محاسبه SO-PMI به شرح زیر است:

اسای پیممن( شما _ _ _1 )=∑پروزی _ _ _∈ پروزی _ _ _سپممن( شما _ _ _1 ، پ روزی _ _ _)–∑نروزی _ _ _∈ نروزی _ _ _سپممن( شما _ _ _1 ، N روزی _ _ _) .�����(����1)=∑�����∈���������(����1, �����)−∑�����∈���������(����1, �����).
به طور کلی، 0 به عنوان کلمه احساس خنثی الگوریتم SO-PMI استفاده می شود. مقادیر مثبت و منفی به ترتیب به عنوان کلمات مثبت و منفی تنظیم می شوند.
با توجه به وجود تعداد زیادی از اصطلاحات شبکه در Weibo، این مطالعه حاشیه‌نویسی‌های مصنوعی بر روی کلمات رایج، نمادهای احساسی و شکلک‌ها در این اصطلاحات شبکه انجام می‌دهد. علاوه بر این، این مطالعه کلمات عاطفی مشخص شده را با فرهنگ لغت احساسات HowNet ادغام می کند که منجر به 4968 کلمه احساسی می شود.
3.1.2. امتیاز دهی به کلمات احساسی در متون Weibo
برای حذف خطاها و بهبود کارایی تقسیم بندی کلمات، فیلتر کردن متن ضروری است. عملیات عبارت منظم در پایتون (ماژول “re”) این نوع اطلاعات تداخل را حذف می کند. اسکریپت کوتاه پایتون 3.5 برای تمیز کردن و پیش پردازش متن Weibo استفاده می شود و ابزار تقسیم بندی کلمات مربوطه برای رهگیری کلمات استفاده می شود.
بر اساس فرهنگ لغت احساسات میکروبلاگ توسعه یافته به دست آمده از روش فوق، مقدار احساس خاص بر روی متن میکروبلاگ جمع آوری شده محاسبه می شود. ابتدا پیش پردازش متن روی یک میکروبلاگ انجام می شود. یک علامت نگارشی به عنوان یک علامت تقسیم بندی برای تقسیم میکروبلاگ منفرد به n استفاده می شودجملات، و کلمات احساسی در هر جمله استخراج می شود. پردازش در دو مرحله زیر بر اساس بندهایی است. مرحله دوم به جستجوی کلمات احساسی در لیست واژگان احساسات اشاره دارد. بر اساس هر کلمه احساسی، قید درجه و کلمات منفی به ترتیب جستجو می‌شوند و محاسبه امتیاز مربوطه انجام می‌شود. دوم، نمره کل هر کلمه احساسی در بند محاسبه می شود. مرحله سوم جایی است که جملات در مورد اینکه آیا آنها جملات تعجبی، جملات بلاغی یا جملات دارای ایموجی هستند مورد قضاوت قرار می گیرند. اگر یکی از شرایط فوق مشخص شود، بند بر اساس امتیاز اصلی وزن مربوطه را اضافه یا کم می کند. در نهایت امتیازات تمامی بندهای میکروبلاگ جمع آوری می شود تا امتیاز نهایی میکروبلاگ به دست آید.شکل 5 .
یک متن Weibo (یعنی متن ساده) را می توان با توجه به عناصر آن به سه دسته تقسیم کرد: متن، نقطه گذاری و شکلک. متن هسته اصلی تحلیل احساسات است. متن عاطفی را می توان به صفت، قید، واژه منفی و واژه پرسشی تقسیم کرد. واژگان مختلف تمایلات عاطفی متمایز دارند [ 83 ]. وزن مخصوص مطابق جدول 1 تعیین می شود .
برای استفاده از علائم نگارشی، این مطالعه عمدتاً استفاده از علامت تعجب و سلام را ثبت می کند. علامت تعجب “!” به عنوان علامت احساس نیز شناخته می شود که عمدتاً در انتهای جملات تعجبی برای بیان احساسات قوی استفاده می شود. جملات تعجب آمیز در پیام های Weibo بیشتر تقویت احساسات بیان شده توسط کاربران است و میزان تمایلات عاطفی آنها دستخوش تغییر شده است. جملات تعجبی معمولاً به قطبیت عاطفی جمله احساسی که می تواند به آن تعلق داشته باشد متصل می شود و می تواند درجه عمیق تری از احساسات مثبت یا منفی باشد. بیشتر سؤالات بلاغی در پیام‌های Weibo رنگ احساسی قوی دارند و احساسات منفی را بیان می‌کنند، بیشتر برای سؤالاتی در مورد یک رویداد، محصول، یک شخص یا یک سازمان. لحن به کار رفته در این عبارات نسبتاً قوی است. بنابراین، زمانی که پیام Weibo حاوی کلمات احساسی نباشد، با قضاوت در مورد اینکه آیا جمله پرسشی یک جمله بلاغی است، می توان به گرایش عاطفی دست یافت.
این مطالعه وزن جملات تعجبی حاوی کلمات عاطفی را برای تقویت رابطه تعیین می کند. کلمات احساسی تا حدی نشانه جملات تعجبی هستند. پردازش ساده را می توان با تنظیم وزن “!” انجام داد. به 2. هنگامی که به طور خاص با جملات تعجبی سروکار دارید، پس از پیش پردازش متن، ابتدا کلمه ویژگی w را در رشته 1S بخوانید و سپس تعیین کنید که آیا w “!” است یا خیر. اگر w «!» نباشد، کلمه ویژگی بعدی 1w از کلمه ویژگی w باید خوانده شود. اگر w“!” است، سپس نزدیکترین کلمه احساسی به جلو جستجو می شود. اگر کلمه احساسی وجود داشته باشد، وزن آن در وزن «!» ضرب می شود. اگر هیچ کلمه احساسی وجود نداشت، مستقیماً پردازش بعدی را ادامه دهید. پردازش سؤالات بلاغی مانند جملات تعجبی است. وجود سؤالات بلاغی با «؟» مشخص شده است. ابتدا «؟» را پیدا کنید و سپس با توجه به «؟» پیدا کنید که آیا کلمات نشانگر بلاغی وجود دارند یا خیر. وجود کلمات نشانگر بلاغی، وجود پرسش بلاغی را اثبات می کند. سپس وزن «؟» را بخوانید. در غیر این صورت مستقیماً پردازش بعدی را ادامه دهید. در این مطالعه، وزن «؟» روی 2- تنظیم شده است، به ویژه هنگامی که یک سؤال بلاغی وجود دارد، وزن مستقیماً -2 است.
3.1.3. محاسبه وزن احساسات متن Weibo
برخی از پیام‌های Weibo دارای کلمات و شکلک‌های احساسی هستند و همچنین ممکن است حاوی اصلاح‌کننده‌های مختلف یا حتی جملات خلقی باشند. بنابراین، برای ساده‌تر کردن محاسبه و کوتاه‌تر کردن زمان سربار، شکلک‌ها را می‌توان با توجه به قطبیت احساساتشان در فرهنگ لغت احساسات Weibo گنجاند. پس از پیش پردازش متن متن میکروبلاگ، آیتم های ویژگی دسته بندی های مختلف قطبی ابتدا از طریق واژگان عاطفی، کلمه منفی، قید درجه و واژگان علامت سوال بلاغی میکروبلاگ ساخته شده برای پردازش مربوطه شناسایی می شوند. ارزش کل وزن هر آیتم ویژگی در Weibo برای به دست آوردن ارزش تمایل احساسات کل پیام محاسبه می شود و سپس گرایش احساسات آن را قضاوت می کند.

با توجه به اینکه هر پیام Weibo به دست آمده یک پیام متنی کوتاه است که بیش از 140 کلمه نباشد، بنابراین هر جمله از پیام میکروبلاگ Dj��به n جمله تقسیم می شود: اس1�1، اس2�2,…, اسn��استفاده از واحدهای جمله به عنوان علائم نگارشی سپس کلمه احساس را استخراج کنید wمن��در هر جمله اگر قید درجه wآ��یا کلمه منفی wب��کلمه احساسی را تغییر می دهد wمن�منیا جمله یک جمله تعجبی حاوی کلمات احساسی است، الگوریتم به صورت زیر است:

مwمن=آرwآ( O r آرwب) ×اسwمنم�من=آر�آ(�� آر�ب)×اس�من

جایی که آرwآآر�آوزن قید درجه یا علامت تعجب را نشان می دهد، آرwبآر�بوزن کلمه منفی را نشان می دهد و اسwمناس�منوزن کلمه احساس را نشان می دهد wمن�مندر متن.

در هر متن Weibo، جمله اسمناسمنحاوی k کلمه احساسی است w1�1، w2�2,…, wک�کو ارزش کلی احساسات برابر است با:

Vیک تو ای ( _Dj) =∑j = 1n∑i = 1کمwمن�����(��)=∑�=1�∑�=1����

مطابق با فرهنگ لغت احساسات، 0 به عنوان مقدار احساسات مرکزی به صورت زیر تنظیم می شود:

Vیک تو ای ( _Dj)⎧⎩⎨⎪⎪> 0 ; p o s i t i v e m o o d  = 0 ; n e u t r a l m o o d  < 0 ; n a g e t i v e m o o d �����(��){>0; �������� ����=0; ������� ����<0; �������� ����

با توجه به اینکه پارامتر قابل تنظیم تنظیم شده است، امتیاز گرایش عاطفی کاربر به بازه (6–6) ترسیم می شود تا محاسبه به شرح زیر تسهیل شود:

اسج یا ( _ _Dj) =μ × 12 × Vیک تو ای ( _Dj)Va l u e(Dj)m a x– Va l u e(Dj)m i n�����(��)=�×12×�����(��)�����(��)���−�����(��)���

جایی که اسج یا ( _ _Dj)�����(��)نشان دهنده نمره احساسات متن میکروبلاگ کاربر است. و μ یک پارامتر قابل تنظیم است که می تواند اهمیت امتیاز احساسات قطبیت های مختلف را تنظیم کند.

3.2. GWR

با در نظر گرفتن همبستگی فضایی و تفاوت در مقادیر خاص و مشخص کردن دقیق‌تر رابطه آنها با تمایز فضایی، روش‌های GWR برای اندازه‌گیری همبستگی در سطوح مختلف ارزش‌های احساسی معرفی می‌شوند.
فورترینگهام و همکاران مدل GWR را بر اساس خلاصه تجزیه و تحلیل رگرسیون محلی و تحقیق پارامترهای متغیر، با تکیه بر ایده هموارسازی محلی [ 84 ] پیشنهاد کرده‌اند.

مشابه با تحلیل رگرسیون عمومی، GWR یک منطقه تحقیقاتی را تعریف می کند. استفاده از موقعیت های فضایی مختلف هر عنصر برای محاسبه تابع تضعیف، که یک تابع پیوسته است، مهم است. با توجه به این تابع تضعیف، زمانی که موقعیت مکانی هر عنصر و مقدار عنصر به این تابع وارد می شود، می توان یک مقدار وزن به دست آورد. این مقدار را می توان در معادله رگرسیون ادغام کرد. در فضا، مدل GWR به صورت زیر بیان می شود:

yمن=β0+∑k = 1پβک(تومن، vمن)ایکسمن ک+εمن  i = 1 ، 2 ، … ، n ،�من=�0+∑ک=1پ�ک(تومن، �من)ایکسمنک+�من  من=1،2،…،�،

جایی که β0�0یک اصطلاح ثابت است، (تومن، vمن)(تومن، �من)نقطه نمونه برداری است که من هماهنگ می کنم، و βک(تومن، vمن)�ک(تومن، �من)ضریب الاستیک مشخصه در نقطه نمونه برداری i است . برای هر نقطه (تومن، vمن)(تومن، �من)در منطقه مورد مطالعه، برآورد از حداقل مربعات وزنی استفاده می کند. این مطالعه از متداول ترین تابع گاوس به عنوان تابع وزن تخمینی و روش تعیین متقاطع برای پهنای باند بین وزن و فاصله استفاده می کند.

3.3. رگرسیون خطی چندگانه

در مدل رگرسیون کلاسیک، حداقل مربعات معمولی (OLS) اغلب برای انجام بهترین تحلیل و پیش‌بینی بر روی داده‌های شناخته شده برای ایجاد رابطه کمی عوامل متعدد استفاده می‌شود. شکل کلی مدل رگرسیون خطی چندگانه به شرح زیر است:

y¯= ∑wمنایکسمن+ ب ،�¯=∑�منایکسمن+ب،

جایی که ایکسمنایکسمن(i = 1, 2, …, d) متغیر وابسته است، wمن�من(i = 1, 2, …, k) ضریب رگرسیون جزئی است و b ضریب رگرسیون است.

هنگامی که معادلات رگرسیون خطی چندگانه یا ضرایب رگرسیون ایجاد می شود، می توان آنها را به عنوان “متغیر وابسته تحت تاثیر متفاوت متغیرهای مستقل مختلف” یا “مولفه متغیر وابسته بر روی متغیرها و ثابت های مستقل مختلف” تفسیر کرد. از این طریق می توان تفاوت توزیع عواطف مردانه و زنانه در مناطق حاشیه دریاچه را بررسی کرد.
ما دیدگاه نسبتا جدیدی را برای انجام تحقیقات در بازخورد عاطفی شهری-محیطی ارائه می کنیم. برای کشف ویژگی‌های خلقی، متون Weibo با یک روش جدید پیشنهاد شده نمره‌گذاری می‌شوند که نیاز به فرهنگ لغات خلقی جدید و استانداردهای امتیازدهی دارد. سپس با برخی روش‌های آماری می‌توان توزیع کمی و توزیع فضایی را برای به دست آوردن ویژگی‌های آن‌ها تجسم کرد. پس از آن، روش OLS و روش GWR به طور همزمان برای تأیید تفاوت‌های جنسیتی با POI اضافه شده اتخاذ می‌شوند. نمودار جریان در شکل 6 نشان داده شده است .

4. نتایج

4.1. توزیع نقاط احساسی در اسکله

4.1.1. توزیع امتیاز از امتیاز عاطفی

برای بررسی ویژگی‌های توزیع احساسات در آب‌نما، این مطالعه متون از پیش پردازش شده Weibo را نمره‌گذاری کرده است. هر قطعه متن با توجه به مختصات جغرافیایی خود به عنوان یک نقطه بر روی نقشه ارائه می شود و با توجه به احساس محتوای متن نمره گذاری می شود. به این ترتیب هر نقطه دارای یک امتیاز احساسی است که در این تحقیق به آن نقطه عاطفی گفته می شود. نمره عاطفه مثبت نشان دهنده مثبت بودن عاطفه محتوای متن است. هر چه نمره بزرگتر باشد، احساسات مثبت تر است. نمره احساسات منفی نشان دهنده منفی بودن محتوای متن است. هر چه قدر مطلق نمره بیشتر باشد، احساسات منفی تر است. امتیازهای عاطفی در منطقه حائل شمارش می شود ( جدول 2). نتایج آماری نشان می دهد که نقاط احساسات مردان و زنان در منطقه حائل بین 3- و 4 توزیع شده است. داده ها به طور معمول توزیع می شوند. هر دو جنس نقاط عاطفی مثبت بیشتری نسبت به نقاط عاطفی منفی دارند و تعداد نقاط عاطفی در محدوده 0-1 بزرگترین است.
انحراف نسبی نیز برای محاسبه تفاوت جنسیتی در توزیع امتیازات احساسی در بخش‌های امتیازی مختلف استفاده می‌شود ( جدول 3 ). با توجه به اینکه تعداد متون میکروبلاگ منتشر شده توسط مردان در داده های منبع کمتر از زنان است، نسبت تعداد امتیازات عاطفی زنانه به تعداد امتیازات عاطفی مردانه در هر بخش امتیازی بیشتر یا مساوی یک است. به جز باندهای امتیازی با کمترین مقدار داده از -3 تا -2، تفاوت‌های جنسیتی در باندهای امتیازی باقی‌مانده همگی بیشتر از 0.3 است. نسبت نقاط عاطفی زنانه با نقاط عاطفی مردان مقایسه می شود. به همین ترتیب، نسبت تعداد کل عواطف زنانه با تعداد کل امتیازات عاطفی مردانه (متوسط) در هر بخش امتیاز مقایسه می شود.شکل 7 ). شکل 7 نشان می دهد که نسبت احساسات زن به مرد در محدوده 2.8- تا 1- و 2.2 تا 3.2 به طور قابل توجهی با میانگین متفاوت است. این نشان می‌دهد که در مقایسه با سایر سطوح احساسات، تفاوت‌های جنسیتی در احساسات مثبت جزئی که توسط کاربران در منطقه ساحلی از طریق متون Weibo نشان داده می‌شود، نسبتاً ظریف است.
4.1.2. توزیع فضایی نقاط عاطفی
با استفاده از اطلاعات مختصات جغرافیایی نقاط عاطفی، توزیع فضایی آنها بیشتر مورد بررسی قرار می گیرد. همانطور که در نقشه توزیع فضایی نقاط عاطفی هر دو جنس نشان داده شده است، تفاوت زیادی در توزیع کلی نقاط عاطفی زن و مرد مشاهده نمی شود. توزیع بیشتر در منطقه حائل دریاچه های غربی در Hankou و Wuchang و نسبتاً کمتر در مناطق دیگر وجود دارد.
تجزیه و تحلیل نقطه داغ نیز در نقاط احساسی با مقادیر امتیاز و مختصات جغرافیایی انجام می شود ( شکل 8 ). با توجه به نمرات هر نقطه عاطفی و نقاط عاطفی اطراف آن، یک نمره Z آماری معنادار محاسبه می شود. هر چه امتیاز Z مثبت بالاتر باشد، خوشه بندی مقادیر بالا (نقاط داغ) نزدیکتر است. در مقابل، Z منفی کمتر استامتیاز این است که خوشه بندی مقادیر پایین (نقاط سرد) نزدیکتر است. نتایج محاسبات نشان می‌دهد که در توزیع خوشه‌های داغ احساسات مردانه و زنانه تفاوت‌هایی وجود دارد. نقاط داغ احساسی مثبت زنان نیز در اطراف دریاچه در جنوب Wuchang جمع شده است. نقاط داغ عاطفی منفی زنان در منطقه حائل هانکو و ووچانگ جنوبی جمع شده است. با این حال، نقاط داغ عاطفی مردان در این مناطق جمع نشده بود.

4.2. تفاوت های جنسیتی احساسات مثبت و منفی در هر دریاچه

با توجه به توسعه بیشتر این مطالعه، مقادیر مثبت و منفی نقاط عاطفی جنسیت‌های مختلف به‌طور جداگانه محاسبه می‌شوند تا میانگین امتیاز به دست آید و قدر مطلق تولید شود که به آن امتیازات هیجانی مثبت/منفی دریاچه‌ها نیز می‌گویند. نتایج محاسبات به صورت آماری مرتب شده اند. نتایج نشان می دهد که تفاوت هایی در نمرات عاطفی مثبت و منفی جنسیت های مختلف در هر دریاچه مشاهده می شود.
رتبه بندی امتیاز احساسات هر دریاچه در میان کاربران بدون توجه به جنسیت با یکدیگر مقایسه می شود ( جدول 4 ). رتبه بندی نمرات احساسات مثبت نشان می دهد که تفاوت معنی داری در رتبه بندی دریاچه ها بر اساس جنسیت وجود دارد. در مناطق حائل دریاچه میوه، دریاچه لانگ یانگ، دریاچه شمالی، دریاچه غربی و حوض ماشین، تفاوت قابل توجهی در میزان احساسات مثبت بیان شده توسط مردان و زنان از طریق متون میکروبلاگ وجود دارد. در منطقه حائل دریاچه کوچک جنوبی و حوض ماشین، تفاوت آشکاری بین میزان احساسات منفی بیان شده توسط مردان و زنان از طریق متون میکروبلاگ وجود دارد. در اطراف دریاچه های دیگر، شدت احساسات مثبت و منفی بیان شده توسط مردان و زنان از طریق متون Weibo مشابه است.

4.3. تفاوت های جنسیتی در احساسات جامع دریاچه های مختلف

با پیشرفت بیشتر مقیاس تحقیق به جهان کوچک، نمرات احساسات مثبت و منفی هر دو جنس در هر دریاچه عادی می شود و یک تحلیل مقایسه ای برای به دست آوردن وضعیت عاطفی جامع هر دریاچه انجام می شود ( شکل 9) .). در بین کاربران، صرف نظر از جنسیت، برخی دریاچه ها تفاوت زیادی در امتیازات هیجانی مثبت و منفی دارند و امتیازات هیجانی مثبت یا منفی بسیار بالاتر از سایر احساسات است. احساسی که توسط کاربران میکروبلاگ مربوطه در بافر دریاچه از طریق متن بیان می شود، آشکارا به سمت مثبت یا منفی سوگیری دارد. تفاوت بین نمرات احساسات مثبت و منفی برخی از دریاچه ها ناچیز است و نشان می دهد که احساسات ابراز شده توسط کاربران میکروبلاگ در بافر دریاچه متناقض است یا اینکه احساسات مثبت و منفی متعادل هستند.
روش‌های مختلفی برای دسته‌بندی احساسات وجود دارد که اساسی‌ترین آنها بر اساس دوقطبی بودن آن‌ها به احساسات مثبت و منفی است. علاوه بر این، برخی از طبقه بندی های موجود مانند Max Entropy [ 85 ] و SVMs [ 86]] می تواند ثابت کند که تمایز بین کلاس های خنثی می تواند به بهبود دقت کلی الگوریتم طبقه بندی کمک کند. بر این اساس، تفاوت بین احساسات مثبت و منفی هر دریاچه در هر دو جنس با میانگین تفاوت مقایسه شده و دریاچه ها به سه دسته تقسیم شدند. دریاچه هایی که تفاوت بین نمرات احساسات مثبت و منفی بالاتر از میانگین و نمرات احساسات مثبت بالاتر از نمرات احساسات منفی دارند، PL (دریاچه های مثبت) نامیده می شوند. در مقابل، دریاچه‌هایی که امتیاز احساسات منفی بالاتر از احساسات مثبت دارند، NL (دریاچه‌های منفی) نامیده می‌شوند. دریاچه‌هایی که میانگین منطقه‌ای تفاوت امتیازات احساسات مثبت و منفی دارند، BL (دریاچه‌های متعادل) نامیده می‌شوند.
طبق آمار، پنج دریاچه از 21 دریاچه دارای ویژگی های متفاوتی بین کاربران زن و مرد هستند ( جدول 5). به عبارت دیگر، از نظر احساسات جامع، دریاچه های دارای تفاوت جنسیتی 23.8 درصد را تشکیل می دهند. در این 21 دریاچه هیچ ویژگی مثبت و منفی از یک دریاچه در هر دو جنس مشاهده نشده است. در محدوده این تحقیق، تفاوت جنسیتی در احساسات ابراز شده توسط کاربران در منطقه آبنما از طریق متون میکروبلاگ وجود دارد، اما هیچ تضاد کاملی از احساسات جامع مشاهده نمی شود. دریاچه هایی با ویژگی های منفی در کاربران مرد و زن کاملاً یکسان هستند. در منطقه اسکله، احساسات منفی ابراز شده توسط کاربران از طریق متون میکروبلاگ کمتر از تفاوت جنسیتی بین احساسات مثبت و متعادل است.

4.4. بررسی تفاوت در عملکرد احساسات مردان و زنان در اسکله از طریق POI

4.4.1. مقایسه روش

روش OLS و روش GWR با ترکیب مقادیر حال و هوای متن Weibo به عنوان متغیرهای وابسته و با استفاده از پنج نوع POI به عنوان متغیرهای توضیحی، برای توصیف تفاوت بین احساسات مردان و زنان با تغییرات POI ساخته شدند.
کل ساختار مقایسه این است که روش OLS برای نشان دادن تفاوت های جنسیتی از 21 دریاچه و مناطق کنار دریاچه آنها استفاده می شود در حالی که روش GWR از حداکثر 71 واحد آماری رسمی برای حذف خطاها در مناطق همپوشانی است. یا بهتر است بگوییم، در این تحقیق، OLS بیشتر بر روی ویژگی های کلی متمرکز شد، اما GWR توانست ویژگی های فضایی دقیق تری را منعکس کند.
در مورد خود روش، OLS یافتن بهترین تطابق تابع برای داده ها با به حداقل رساندن مجموع مربعات خطاها است. رابطه کمی بین متغیر توضیحی و متغیر توضیح داده شده را منعکس می کند، اما فقط رابطه ویژگی نقطه به نقطه را نشان می دهد. با در نظر گرفتن رابطه بین ارزش احساسی و POI به عنوان یک کل، OLS برای تأیید تفاوت جنسیتی در توزیع ارزش‌های احساسی در سراسر دریاچه استفاده می‌شود. GWR با ایجاد یک معادله رگرسیون محلی در هر نقطه از محدوده فضایی، تغییرات مکانی و عوامل محرک مربوط به شی تحقیقاتی را در مقیاس معینی بررسی می‌کند و می‌تواند برای پیش‌بینی نتایج آینده استفاده شود. این بر اساس خود روش OLS است و تفاوت در مقدار فضا را به ویژگی های کمی کلی اضافه می کند. که می تواند تفاوت بین متغیرها را در واحد جغرافیایی منعکس کند. از آنجا که اثرات محلی اشیاء فضایی را در نظر می گیرد، مزیت آن دقت بالاتر است. با استفاده از روش GWR برای تجزیه و تحلیل رابطه بین ارزش احساسی و POI برای کوچکترین واحد آماری در ناحیه کنار دریاچه، تفاوت فضایی در توزیع جنسیتی عاطفی را می توان به تصویر کشید.
4.4.2. وزن دریاچه تفاوت های جنسیتی احساسی
داده‌های POI مانند داده‌های بزرگ احساسی Weibo، عملکرد منطقه شهری را به شیوه‌ای بسیار عمیق منعکس می‌کنند. داده های POI می توانند به طور کامل ویژگی ها و تغییرات عملکرد شهری را در ابعاد زمانی و مکانی توصیف کنند. POI های مورد استفاده در این مطالعه در کل داده های POI 2018 جمع آوری شده از طریق نقشه های Gaode گنجانده شده اند. تعداد کل رکوردهای واقع در جاده کمربندی سوم ووهان 250000 رکورد است و تقریباً 90000 رکورد در منطقه حائل 1 کیلومتری 21 دریاچه در شهر اصلی واقع شده است. پنج دسته، یعنی خرید، اوقات فراغت، زیرساخت، فرهنگ و رستوران، با توجه به ویژگی‌های POI انتخاب می‌شوند تا تفاوت مؤلفه‌های POI خلق و خوی آب‌نما را تأیید کنند. با فرض احساسات مثبت و منفی زنانه، احساسات مثبت و منفی مرد را می توان به عنوان تفاوت در تعداد POI های مختلف بیان کرد. متغیرهای مستقل sho، lei، inf، cul و res هستند که نمایانگر خرید، اوقات فراغت، زیرساخت، فرهنگ و رستوران هستند. با استفاده از روش دربخش 3.3 ، OLS را می توان برای تخمین “وزن” احساسات دریاچه بیان شده در POI استفاده کرد. آزمون همخطی پنج نوع POI نشان داده است که در رگرسیون دریاچه‌ها، ضریب گسترش واریانس در بین برخی از متغیرها به طور قابل‌توجهی بسیار زیاد است و مشخصه همخطی معنی‌داری وجود دارد. روش مورد استفاده برای محاسبه وابستگی بین این دو در جدول 6 نشان داده شده است .
با توجه به پارامترهای جدول، R 2 تنظیم شده از 11 مدل 0.871، 0.896، 0.842، 0.877، 0.917، 0.960، 0.973، 0.791، 0.876، 0.892، و همه بزرگتر از 0.897، و مقادیر DW مدل رگرسیون چندگانه 2.336، 2.314، 2.603، 2.680، 1.863، 2.141 و 2.068 است که نشان می دهد که مدل به خوبی برازش دارد. Model2، model4، model7 و model11 برای انعکاس مؤلفه‌های چهار گروه از احساسات در POI استفاده می‌شوند که قابلیت پیش‌بینی بالایی دارند و می‌توانند تفاوت‌های قابل توجهی را در احساسات بیان شده در POI منعکس کنند.
در احساسات مثبت، مؤلفه POI هر دو جنس را می توان در فرهنگ و رستوران بیان کرد. ضریب فرهنگ مثبت است و ارزش عاطفی را ارتقا می دهد، در حالی که ضریب رستوران منفی است و ارزش هیجانی را مهار می کند. احساسات مردانه بیشتر در فرهنگ بیان می شود، در حالی که احساسات زنانه بیشتر در رستوران بیان می شود. این یافته به این معنی است که احساسات مثبت مردان به دلیل فرهنگ بیشتر بهتر می شود و احساسات زنان به دلیل رستوران کمتر بدتر می شود. در احساسات منفی، احساسات مردان در فرهنگ، اوقات فراغت و خرید بیان می شود، در حالی که احساسات زنان در فرهنگ، رستوران، اوقات فراغت و زیرساخت ها بیان می شود. ضرایب فرهنگ و زیرساخت مقادیر مثبت و سایر ضرایب ارزش منفی هستند.
4.4.3. مولفه فضایی تفاوت های جنسیتی عاطفی در آب نما
احساسات مردان و زنان در مناطق مختلف ساحلی حساسیت های متفاوتی نسبت به POI های مختلف دارد و ویژگی های متمایزتری را نشان می دهد. انجام محاسبه GWR با استفاده از روش بخش 3.3 نشان می دهد که پنج نوع POI هیچ خط خطی قابل توجهی در منطقه آب نما تصفیه شده ندارند و می توانند به طور همزمان استفاده شوند. احساسات مثبت می توانند تفاوت های جنسیتی واضح تری را در وزن POI نشان دهند ( شکل 10 ).
ضرایب رگرسیون رگرسیون مدل 0.823 و R 2 تعدیل شده از 0.808 0.762 و 0.744 است که همگی بزرگتر از 0.7 هستند. اثر برازش رگرسیون مدل بهتر است و از اعتبار بالاتری برخوردار است.
به طور کلی، تفاوت معنی‌داری در توزیع جغرافیایی مؤلفه‌های POI بین احساسات مردانه و زنانه وجود دارد. احساسات زنانه حساس تر و انعطاف پذیرتر هستند، در حالی که مردان نسبتا آرام هستند. ضرایب رگرسیون جزئی از پنج نوع POI برای زنان عبارتند از (-0.39، 9.95)، (-1.47، 18.83)، (-9.79، 12.28)، (11.66، 32.96)، و (-9.64، 1.37-)، در حالی که این موارد برای مردان عبارتند از (-0.58، 8.54)، (-1.70، 19.76)، (-11.54، 8.24)، (12.20، 29.58)، و (-8.32، 2.46-) (یعنی هر چه رنگ در تصویر قرمزتر باشد، ارزش بیشتر است). فاصله زنانه اغلب بزرگتر از بازه مردانه است و دامنه تغییرات بزرگتر، مزایای بیشتر در مقادیر حداکثر و حداقل، و تنوع و فراز و نشیب احساسات بیشتر را نشان می دهد. در مقابل، عملکرد احساسات مردانه نسبتا ضعیف تر است،
با قضاوت از وزن احساسات در POI های مختلف، تفاوت های فضایی در مؤلفه های احساسی مردان و زنان همگرا شده است، که ناهمسانگردی و ثبات روند قوی را نشان می دهد. از نظر عوامل خرید، نفوذ از سمت جنوب شرقی دریاچه شرقی زیاد و تغییر به دریاچه تازی کم است. به طور خاص، در دریاچه شمالی هانکو، دریاچه غربی، دریاچه ماشین، دریاچه کوچک جنوبی، رودخانه هوکسیانگ، دریاچه شاه بلوط، دریاچه شنی ووچانگ و سایر اطراف، به نظر می‌رسد که احساسات زنان “ترجیح خرید بیشتری دارند” و بیشتر مستعد نوسانات احساسی هستند. برای امکانات خرید برای عامل اوقات فراغت، مؤلفه احساسی در محل دریاچه شرقی ارزش زیادی دارد، در حالی که دریاچه Longyang-Moshui ارزش کمی دارد. مؤلفه عاطفی مردانه به طور قابل توجهی در دریاچه جنوبی افزایش می یابد. این یافته نشان می‌دهد که عواطف مردانه بیشتر نگران امکانات اوقات فراغت هستند و حساسیت عواطف زنانه را در دریاچه جنوبی نشان می‌دهد. در مورد عوامل زیرساختی، تفاوت در وزن عواطف جنسیتی مشهود است. در شرق، میوه و دریاچه شای، احساسات زنان به طور قابل توجهی بالاتر از مردان است. این یافته به این معنی است که در این دریاچه ها، احساسات زنان بیشتر از مردان تحت تأثیر زیرساخت ها قرار می گیرد. با توجه به عامل فرهنگی، چه در روند و چه در محدوده، وزن های دو جنس از ثبات بالایی برخوردار است که نشان می دهد فرهنگ برای تأثیر عاطفی مهم است. به طور مشابه، احساسات مثبت مردان و زنان نشان دهنده تفاوت جزئی در رستوران است. در اطراف دریاچه های شرق، میوه و ماسه، تأثیر عوامل رستوران بر احساسات زنانه به طور قابل توجهی بیشتر از مردان است. این یافته نشان می‌دهد که احساسات زنانه بیشتر توسط رستوران‌های اطراف دریاچه شرقی ایجاد می‌شود و تغییرات در احساسات زنان ممکن است ارتباطی با دریاچه شرقی به عنوان یک منطقه گردشگری دیدنی داشته باشد.
با این حال، مؤلفه POI (یعنی مقدار ضریب) احساسات منفی مردان و زنان به شدت نزدیک به میانگین متمرکز است و تنها تغییر جزئی در جنسیت مشاهده می شود.
فرآیند راستی‌آزمایی بالا می‌تواند توضیح دهد که «تفاوتی بین احساسات مردان و زنان در اسکله وجود دارد». نوسانات عاطفی مردان و زنان با تعداد امکانات POI در اسکله همبستگی بیشتری دارد. در تحلیلی که از POI به عنوان متغیر مستقل استفاده می شود، وزن POI روی احساسات به طور قابل توجهی با تمایز جنسیتی مرتبط است، که در آن عوامل جنسیت به شدت بر تولید، انحلال و تغییر احساسات تأثیر می گذارد.

5. بحث

تحقیقات در مورد تجزیه و تحلیل احساسات و فضای عمومی از طریق داده های رسانه های اجتماعی در بافت شهرهای دیگر در سراسر جهان در حال ظهور است. لیم و همکاران احساسات متنی رسانه های اجتماعی را در فضاهای سبز ملبورن بررسی کرده اند [ 87 ]. ریچارد A. Plunz و همکاران. وضعیت عاطفی متون رسانه های اجتماعی را در پارک مرکزی در شهر نیویورک بررسی کرده اند [ 88 ]. شوارتز و همکاران احساسات منفی کاربران شبکه های اجتماعی در پارک شهر سانفرانسیسکو را با ردیابی همان کاربران در داخل و خارج از پارک بررسی کرده اند [ 89]. با این حال، مطالعات موجود بر روی فضاهای سبز در مناطق شهری متمرکز شده اند، توجه کمی به آب نما در شهرها داشته اند و از دوره های تحقیقاتی کوتاه یا تعداد کمی از مجموعه داده ها استفاده کرده اند. مطالعه ما شهر ووهان را به عنوان نمونه می‌گیرد و رویکرد و دیدگاه مردم‌محور را مطرح می‌کند. این مطالعه با ترکیب رشته های متعدد بر اساس عواطف عمومی نسبت به محیط شهری، پیشنهاداتی را برای برنامه ریزی و توسعه فضای آب نما شهری ارائه می دهد. نتایج تحقیق در شهر ووهان امکان‌سنجی این رویکرد را نشان می‌دهد. علاوه بر این، ووهان یک کلان شهر با حمل و نقل توسعه یافته و جمعیت متراکم است. دریاچه های فراوان و منابع آبی فراوان در این شهر وجود دارد. این ویژگی های نماینده، نتایج تحقیقات ووهان را قادر می سازد تا به شهرهای مشابه گسترش یابد.
این مطالعه از واژگان و نمادهای نمادین برای نمره دادن به احساسات در متن Weibo استفاده کرده است. با این حال، این نوع ابزار نمی تواند به طور کامل و دقیق احساسات ابراز شده توسط کاربران را شناسایی کند. تحقیقات آتی می‌تواند روش‌هایی را بهبود بخشد تا اهداف عاطفی را دقیقاً به تصویر بکشد و تعیین کند که مردم در مورد موضوعات، افراد، رویدادها، مکان‌ها و اشیاء مختلف چه احساسی دارند. کاربران Weibo همه گردشگران واقعی ساحل را نشان نمی دهند. داده های رسانه های اجتماعی با استفاده از موقعیت جغرافیایی نباید جایگزین روش های سنتی نظرسنجی شود، اما می تواند به عنوان یک ابزار مکمل قدرتمند ارائه شده توسط فناوری مدرن در نظر گرفته شود. دقت موقعیت یابی کاربر توسط دقت GPS دستگاه های تلفن همراه محدود می شود و ماهیت داده های جغرافیایی دوبعدی ممکن است هنگام تعیین مکان واقعی کاربران باعث خطاهای اندازه گیری شود. مثلا،
در نهایت، تأثیر جنسیت بر احساسات عمومی برای تمرکز بر تفاوت‌های فردی در مطالعه مورد بحث قرار می‌گیرد. در واقع، عوامل فردی زیادی وجود دارد که بر واکنش عاطفی مردم به فضای شهری تأثیر می گذارد، مانند سن، شغل، درآمد و غیره. ما تصمیم گرفتیم تفاوت جنسیتی را بررسی کنیم، اما تأثیر عوامل دیگر را نمی توان نادیده گرفت. در تحقیقات بعدی، رویکرد و ایده خود را برای بررسی کمی تأثیر عوامل دیگر و رابطه بین هر عامل بهبود خواهیم داد. ما امیدواریم که این نوع تحقیقات برنامه ریزان را قادر سازد تا بر تفاوت های فردی در عموم تمرکز کنند و برنامه ریزی شهری را پیچیده تر و انسانی تر کند.

6. نتیجه گیری

به یاد بیاورید که مشارکت های بدیع اصلی این مقاله رویکرد و دیدگاه جدیدی است که تجزیه و تحلیل احساس متنی و تحلیل فضایی را بر اساس داده های بزرگ رسانه های اجتماعی ترکیب می کند. همچنین در این فرآیند به تفاوت جنسیتی در احساسات عمومی نسبت به فضای شهری توجه می شود. رویکردی که ما ارائه می‌کنیم شامل چهار مرحله است: (1) رتبه‌بندی احساسی به متون میکروبلاگ منتشر شده توسط شهروندان در منطقه مورد مطالعه داده می‌شود. (2) بررسی ویژگی‌های عاطفی عموم مردم با جنسیت‌های مختلف در اسکله شهری؛ (3) طبقه بندی اسکله بر اساس واکنش عاطفی مردم از جنس های مختلف. (4) بررسی رابطه بین انواع مختلف POI و انواع مختلف آب نما، به منظور ارائه پیشنهادهای برنامه ریزی.
مطالعه در شهر ووهان امکان سنجی این رویکرد را اثبات می کند. نتایج نشان می دهد که تفاوت هایی در امتیاز و توزیع فضایی عواطف عمومی در فضای اسکله شهر ووهان وجود دارد. و توزیع POI با این تغییر در احساسات عمومی همراه است. با در نظر گرفتن ووهان به عنوان مثال، پیشنهاد اولیه بهبود کیفیت زیست محیطی دریاچه ها و ایجاد تعادل در طرح POI است. به طور خاص، برای بهبود احساسات مثبت مردان در فضای اسکله ووهان، می توان به ساخت امکانات فرهنگی توجه کرد، در حالی که کاهش احساسات منفی زنان را می توان از امکانات رستوران شروع کرد. از نظر فضایی، تأثیر هر POI متفاوت است و پیشنهادات هدفمندتری را می توان ارائه داد. به عنوان مثال، برای امکانات خرید، ساخت مراکز خرید در ضلع جنوب شرقی دریاچه شرقی تأثیر بیشتری بر احساسات عمومی دارد در حالی که ساخت مراکز خرید در دریاچه تازی تأثیر کمتری دارد. به طور خاص، در مناطق اطراف دریاچه شمالی، دریاچه غربی، دریاچه ماشین، دریاچه کوچک جنوبی، رودخانه هوکسیانگ، دریاچه شاه بلوط و دریاچه شنی، ساخت مراکز خرید بیشتر احتمال دارد زنان را دچار نوسانات عاطفی کند. این نتایج این مطالعه می تواند برای بحث بیشتر توسط مدیران برنامه ریزی شهری و تصمیم گیران مورد استفاده قرار گیرد. ساخت مراکز خرید به احتمال زیاد زنان را دچار نوسانات عاطفی می کند. این نتایج این مطالعه می تواند برای بحث بیشتر توسط مدیران برنامه ریزی شهری و تصمیم گیران مورد استفاده قرار گیرد. ساخت مراکز خرید به احتمال زیاد زنان را دچار نوسانات عاطفی می کند. این نتایج این مطالعه می تواند برای بحث بیشتر توسط مدیران برنامه ریزی شهری و تصمیم گیران مورد استفاده قرار گیرد.
نوآوری و منحصربه‌فرد بودن رویکرد ما چهارگانه است: اول، این مفهوم تحقیقات قبلی را بهبود می‌بخشد، زیرا رویکردی فرا رشته‌ای را پیشنهاد می‌کند که روش‌هایی از GIScience، CL و جامعه‌شناسی شهری را با ادغام مفاهیم تفاوت معنایی، جغرافیایی و جنسیتی ترکیب می‌کند. دوم، استفاده از داده های رسانه های اجتماعی، احساسات عمومی را در زمان واقعی در یک بافت شهری فراهم می کند. داده‌های رسانه‌های اجتماعی 24 ساعته مستمر هستند، که یک جریان آگاهانه از اطلاعات و یک تصویر جمعی از واکنش اجتماعی به موقعیت‌ها و محیط‌های خاص را ارائه می‌دهد. 84]]. بنابراین، برخلاف روش سنتی تمرکز بر مشکلات خاص در زمان‌بندی‌های خاص، داده‌های رسانه‌های اجتماعی می‌توانند به عنوان ابزاری برای کمک به تصمیم‌گیری و برنامه‌ریزی کلی طراحی استفاده شوند. این داده ها همچنین نشان دهنده شناخت کاربران است. بنابراین، این داده ها به پیشرفت مستمر در درک تعامل انسان با محیط کمک کرده است. سوم، رویکرد ما بر تفاوت‌های جنسیتی در میان مردم متمرکز است. تمرکز بر تفاوت های فردی در بین مردم می تواند به شناسایی مشکلات شهری به ظاهر نامرئی کمک کند. علاوه بر این، این امر از جهت توسعه آینده برنامه ریزی شهری انسانی تر و دقیق تر پشتیبانی می کند. چهارم، بر خلاف سایر تلاش‌های تحقیقاتی، رویکرد ما بازخورد مستقیمی را به فرآیندهای دنیای واقعی در مدیریت و برنامه‌ریزی شهری ارائه می‌کند و به شناسایی الگوهای شهری که قبلاً دیده نشده بود کمک می‌کند.

منابع

  1. وو، جی. لی، جی. Ma, Y. بررسی رابطه بین بالقوه و بالفعل فضاهای ساحلی شهری در ووهان بر اساس شبکه های اجتماعی. پایداری 2019 ، 11 ، 3298. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  2. هرمیدا، MA; کابررا-جارا، ن. اوسوریو، پی. کابررا، اس. روش برای ارزیابی اتصال و آسایش رودخانه های شهری. Cities 2019 , 95 , 102376. [ Google Scholar ] [ CrossRef ]
  3. ریگبی، دی. برین، ای. اسکله جدید یک داستان موفقیت شهری در سراسر جهان . McGraw-Hill: سنگاپور، 1996. [ Google Scholar ]
  4. گونگ، ام. رن، م. دای، Q. لو، ایکس. پیری-مناسب بودن فضاهای روباز شهری در بخش پل گونگچن از کانال بزرگ. پایداری 2019 ، 11 ، 6095. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. دا، تی. Xu، Y. ارزیابی در مورد اتصال توسعه مجدد آب نما شهری تحت محیط زبانی فازی مردد. ساحل اقیانوس. مدیریت 2016 ، 132 ، 101-110. [ Google Scholar ] [ CrossRef ]
  6. ساایرینن، آر. Kumpulainen، S. ارزیابی اثرات اجتماعی در بازسازی اسکله شهری. محیط زیست ارزیابی تاثیر Rev. 2006 , 26 , 120-135. [ Google Scholar ] [ CrossRef ]
  7. علی، س.م. نواوی، ق. تأثیر اجتماعی مناظر ساحلی شهری: دیدگاه های مالزی. در مجموعه مقالات REAL CORP 2009، Sitges، اسپانیا، 22-25 آوریل 2009. [ Google Scholar ]
  8. رومرو، معاون; مافی، ال. برامبیلا، جی. Ciaburro، G. مدل‌سازی کیفیت منظره صوتی آب‌نماهای شهری توسط شبکه‌های عصبی مصنوعی. Appl. آکوست. 2016 ، 111 ، 121-128. [ Google Scholar ] [ CrossRef ]
  9. شفقت، ع. کیوانفر، ع. منطقی، گ. Lamit، HB عوامل محیطی آگاهانه مؤثر بر ریزاقلیم خیابان و سلامت تنفسی افراد در شهرهای ساحلی گرمسیری. حفظ کنید. جامعه شهرها 2016 ، 21 ، 35-50. [ Google Scholar ] [ CrossRef ]
  10. شفقت، ع. منطقی، گ. کیوانفر، ع. Lamit، HB; سایتو، ک. عوامل هندسه خیابان Ossen، DR بر ریزاقلیم شهری در شهرهای ساحلی گرمسیری تأثیر می‌گذارند: بررسی. محیط زیست صعود تکنولوژی 2016 ، 17 ، 61-75. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. وونگ، تی.-سی. احیای شهر مرکزی سنگاپور از طریق اصیل سازی: نقش مسکن در کنار آب تصمیم سیاست شهری 2006 ، 24 ، 181-199. [ Google Scholar ] [ CrossRef ]
  12. وانگ، ی. وانگ، جی. تحقیقات در مورد توسعه پایدار آب نما شهری. در مجموعه مقالات کنفرانس بین المللی 2008 در علم و مهندسی مدیریت، لانگ بیچ، کالیفرنیا، ایالات متحده آمریکا، 10-12 سپتامبر 2008. صص 10-12. [ Google Scholar ]
  13. چه، ی. یانگ، ک. چن، تی. Xu, Q. ارزیابی یک پروژه بازسازی حاشیه رودخانه با استفاده از شاخص جامع دسترسی عمومی. Ecol. مهندس 2012 ، 40 ، 80-87. [ Google Scholar ] [ CrossRef ]
  14. کابزاس، آ. Comín، FA افزایش کربن و نیتروژن در خاک سطحی دشتهای سیلابی رودخانه ابرو میانی (شمال شمالی اسپانیا): پیامدهایی برای احیای اکولوژیکی آنها. Ecol. مهندس 2010 ، 36 ، 640-652. [ Google Scholar ] [ CrossRef ]
  15. هیلمن، م. بریرلی، جی. بررسی انتقادی برنامه‌های احیای جریان در مقیاس حوضه. Prog. فیزیک Geogr. 2005 ، 29 ، 50-76. [ Google Scholar ] [ CrossRef ]
  16. کولمان، بی. میچ، WJ; Hansen، DO مدیریت اکولوژیکی و توسعه پایدار در مناطق گرمسیری مرطوب کاستاریکا. Ecol. مهندس 2008 ، 34 ، 254-266. [ Google Scholar ] [ CrossRef ]
  17. لارسون، ام جی؛ غرفه، DB; Morley, SA اثربخشی زباله‌های چوبی بزرگ در پروژه‌های احیای رودخانه‌ها در حوضه‌های شهری. Ecol. مهندس 2001 ، 18 ، 211-226. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. پی، ی. تیان، ز. یانگ، ز. Zhang, K. توسعه مسکن به عنوان یک کاربرد مهندسی زیست محیطی در کنار رودخانه. Ecol. مهندس 2009 ، 35 ، 1190-1199. [ Google Scholar ] [ CrossRef ]
  19. Buijs، AE حمایت عمومی برای احیای رودخانه. یک مطالعه ترکیبی در مورد حمایت ساکنان محلی و چارچوب‌بندی مدیریت رودخانه و احیای اکولوژیکی در دشت‌های سیلابی هلند. جی. محیط زیست. مدیریت 2009 ، 90 ، 2680-2689. [ Google Scholar ] [ CrossRef ]
  20. Bash، JS; پروژه های رایان، CM استریم بازسازی و بهبود: آیا کسی نظارت دارد؟ محیط زیست مدیریت 2002 ، 29 ، 877-885. [ Google Scholar ] [ CrossRef ]
  21. سیلوناز، ک. الحاج، ر. تحلیل عاطفه و احساسات از متن توییتر. جی. کامپیوتر. علمی 2019 ، 36 ، 101003. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  22. سیوکارلی، پی. لوپی، جی. Simeone, L. Visualizing the Data City: رسانه های اجتماعی به عنوان منبع دانش برای برنامه ریزی و مدیریت شهری . Springer Science & Business Media: برلین، آلمان، 2014. [ Google Scholar ]
  23. فوجیساکا، تی. لی، آر. Sumiya, K. کشف الگوهای رفتار کاربر از میکرو وبلاگ‌های دارای برچسب جغرافیایی. در مجموعه مقالات چهارمین کنفرانس بین المللی مدیریت اطلاعات و ارتباطات یکسان، سوون، کره، 14 ژانویه 2010; صص 1-10. [ Google Scholar ]
  24. گوا، ی. گوه، DH-L. “من ایدز دارم”: تجزیه و تحلیل محتوای پست های گروه پشتیبانی HIV/AIDS در یک میکروبلاگ چینی. محاسبه کنید. هوم رفتار 2014 ، 34 ، 219-226. [ Google Scholar ] [ CrossRef ]
  25. آویزان شدن.؛ وانگ، دبلیو. نقشه برداری از روابط کاربر برای انتشار اطلاعات سلامت در میکروبلاگینگ در چین: تحلیل شبکه اجتماعی سینا ویبو. آسیایی J. Commun. 2015 ، 25 ، 65-83. [ Google Scholar ] [ CrossRef ]
  26. Haeusler, M. فعال کردن ردیابی حضور انسان با هزینه کم. در مجموعه مقالات کنفرانس بین المللی انجمن تحقیقات طراحی معماری به کمک کامپیوتر در آسیا، کادریا، ملبورن، ON، استرالیا، 30 مارس 2016؛ صص 45-54. [ Google Scholar ]
  27. وو، جی. لی، جی. Ma, Y. مطالعه مقایسه ای ترجیحات مکانی و زمانی برای آب نما در ووهان بر اساس تفاوت های جنسیتی در رفتار ورود. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 413. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  28. فیرفیلد، جی دی مدیریت علمی فضای شهری: برنامه ریزی حرفه ای شهر و میراث اصلاحات مترقی. J. تاریخ شهری. 1994 ، 20 ، 179-204. [ Google Scholar ] [ CrossRef ]
  29. فورد، GB شهر علمی. مهندس ضبط 1913 ، 67 ، 551-552. [ Google Scholar ]
  30. لگیتس، آر. تیت، نیوجرسی؛ کینگستون، آر. تفکر فضایی و برنامه ریزی علمی شهری. محیط زیست طرح. B طرح. دس 2009 ، 36 ، 763-768. [ Google Scholar ] [ CrossRef ]
  31. نور، JS از جنگ تا رفاه: روشنفکران دفاعی و مشکلات شهری در آمریکای جنگ سرد . JHU Press: بالتیمور، MD، ایالات متحده آمریکا، 2003. [ Google Scholar ]
  32. لیانگ، ایکس. گو، اس. دنگ، ج. گائو، ز. ژانگ، ز. شن، دی. بررسی وضعیت سلامت روان دانشجویان از طریق تحلیل معنایی میکروبلاگ سینا. دانشگاه ووهان جی. نات. علمی 2015 ، 20 ، 159-164. [ Google Scholar ] [ CrossRef ]
  33. مورنو، MA; کریستاکیس، دی. ایگان، KG; Jelenchick، LA; کاکس، ای. یانگ، اچ. ویلیارد، اچ. بکر، تی. یک ارزیابی آزمایشی از ارتباط بین مراجع افسردگی نمایش داده شده در فیس بوک و افسردگی خود گزارش شده با استفاده از مقیاس بالینی. J. Behav. سرویس سلامت Res. 2012 ، 39 ، 295-304. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  34. تیان، ایکس. یو، جی. او، F. تجزیه و تحلیل شکایات خواب در Sina Weibo. محاسبه کنید. هوم رفتار 2016 ، 62 ، 230-235. [ Google Scholar ] [ CrossRef ]
  35. یداللهی، ع. شهرکی، AG; Zaiane، OR وضعیت فعلی تحلیل احساسات متنی از عقیده تا عاطفه کاوی. کامپیوتر ACM. Surv. (CSUR) 2017 ، 50 ، 1-33. [ Google Scholar ] [ CrossRef ]
  36. تریپاتی، وی. جوشی، ع. Bhattacharyya، P. تجزیه و تحلیل احساسات از متن: یک بررسی. مرکز فناوری زبان هندی. نظرسنجی 2016 . [ Google Scholar ]
  37. سیلوناز، ک. ضالیوال، م. رکنه، جی. الحاج، ر. تشخیص احساسات از متن و گفتار: بررسی. Soc. شبکه مقعدی حداقل 2018 ، 8 ، 28. [ Google Scholar ] [ CrossRef ]
  38. هرناندز، م. پونتس، JdJA مجموعه مقالات کارگاه پردازش زبان طبیعی در پنجمین روز کاری پژوهشی سیستم های اطلاعاتی (JISIC). در مجموعه مقالات کارگاه 4 پردازش زبان طبیعی در پنجمین روزهای کاری تحقیق سیستم های اطلاعاتی (JISIC)، کویتو، اکوادور، 20 تا 24 اکتبر 2014. [ Google Scholar ]
  39. Chopade، CR تشخیص احساسات مبتنی بر متن: یک نظرسنجی. بین المللی J. Sci. Res. 2015 ، 4 ، 409-414. [ Google Scholar ]
  40. بینالی، ح. وو، سی. پوتدار، وی. رویکردهای محاسباتی برای تشخیص احساسات در متن. در مجموعه مقالات چهارمین کنفرانس بین المللی IEEE در مورد اکوسیستم ها و فناوری های دیجیتال، دبی، امارات متحده عربی، 13 تا 16 آوریل 2010. صص 172-177. [ Google Scholar ]
  41. Shivhare, SN; خثوات، س. تشخیص احساسات از متن. arXiv 2012 ، arXiv:1205.4944. [ Google Scholar ]
  42. جین، VK; کومار، اس. Fernandes, SL استخراج احساسات از متن چند زبانه با استفاده از پردازش هوشمند متن و زبانشناسی محاسباتی. جی. کامپیوتر. علمی 2017 ، 21 ، 316-326. [ Google Scholar ] [ CrossRef ]
  43. کائو، EC-C. لیو، سی.-سی. یانگ، T.-H. حسیه، سی. سو، V.-W. بررسی احساسات مبتنی بر متن و بهبودهای احتمالی. مجموعه مقالات کنفرانس بین المللی مدیریت اطلاعات و مهندسی 2009، کوالالامپور، مالزی، 3 تا 5 آوریل 2009. ص 70-74. [ Google Scholar ]
  44. کاسارینو، ام. اوسالیوان، وی. کنی، RA; Setti، A. Environment and Cognitive aging: مطالعه مقطعی محل زندگی و عملکرد شناختی در مطالعه طولی ایرلندی در مورد پیری. Neuropsychology 2016 ، 30 ، 543. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  45. شیانگ، ی. زارع، ح. گوان، سی. گسکین، دی. تأثیر تنظیمات جامعه روستایی- شهری بر زوال شناختی: نتایج از یک نمونه ملی نماینده سالمندان در چین. BMC Geriatr. 2018 ، 18 ، 323. [ Google Scholar ] [ CrossRef ]
  46. کرو، ام. آندل، آر. وادلی، وی جی. Okonkwo، OC؛ ساویر، پی. آلمن، RM فضای زندگی و کاهش شناختی در یک نمونه مبتنی بر جامعه از سالمندان آفریقایی آمریکایی و قفقازی. جی. جرونتول. سر. بیول. علمی پزشکی علمی 2008 ، 63 ، 1241-1245. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. لو، ی. ژانگ، ال. Pan، X. محیط های همسایگی و زوال شناختی در میان افراد میانسال و مسن در چین. جی. جرونتول. سر. B 2019 , 74 , e60–e71. [ Google Scholar ] [ CrossRef ]
  48. خو، اچ. استبای، تی. Vorderstrasse، AA; دوپره، من؛ Wu, B. محل سکونت و عملکرد شناختی در میان جمعیت بزرگسال در هند. اپیدمیولوژی عصبی 2018 ، 50 ، 119-127. [ Google Scholar ] [ CrossRef ]
  49. Ochsner، KN; گراس، جی جی کنترل شناختی احساسات. روندهای شناختی. علمی 2005 ، 9 ، 242-249. [ Google Scholar ] [ CrossRef ]
  50. گری، JR مدولاسیون عاطفی کنترل شناختی: حالت‌های رویکرد-کناره‌گیری، عملکرد تکلیف دو طرفه کلامی را دوبار تفکیک می‌کند. J. Exp. روانی Gen. 2001 , 130 , 436. [ Google Scholar ] [ CrossRef ]
  51. Vuilleumier, P. مغزها چگونه مراقب باشند: مکانیسم های عصبی توجه عاطفی. روندهای شناختی. علمی 2005 ، 9 ، 585-594. [ Google Scholar ] [ CrossRef ]
  52. گری، جی آر؛ برور، تی اس. Raichle, ME ادغام احساسات و شناخت در قشر جلوی مغز جانبی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2002 ، 99 ، 4115-4120. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. تیلور، جی جی; فراگوپاناگوس، NF تعامل توجه و عاطفه. شبکه عصبی 2005 ، 18 ، 353-369. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  54. کریچلی، مکانیزم های عصبی اچ دی ادغام خودکار، عاطفی و شناختی. J. Comp. نورول. 2005 ، 493 ، 154-166. [ Google Scholar ] [ CrossRef ]
  55. Grahn، P. Stigsdotter، UA برنامه ریزی منظر و استرس. شهری برای. سبز شهری. 2003 ، 2 ، 1-18. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  56. Stigsdotter، انگلستان; ایخولم، او. شیپرین، جی. تافتاگر، م. کامپر-یورگنسن، اف. Randrup، TB Health ترویج کننده محیط های بیرونی – ارتباط بین فضای سبز و سلامت، کیفیت زندگی مرتبط با سلامت و استرس بر اساس نظرسنجی نماینده ملی دانمارک. Scand. J. بهداشت عمومی 2010 ، 38 ، 411-417. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  57. تامپسون، CW; رو، جی. آسپینال، پی. میچل، آر. کلو، ا. میلر، دی. فضای سبز بیشتر با استرس کمتر در جوامع محروم مرتبط است: شواهد از الگوهای کورتیزول بزاقی. Landsc. طرح شهری. 2012 ، 105 ، 221-229. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  58. Ulrich, R. مشاهده از طریق یک پنجره ممکن است بر بازیابی تأثیر بگذارد. Science 1984 , 224 , 224-225. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  59. براوباخ، ام. اگوروف، آ. مودو، پ. ولف، تی. تامپسون، CW; Martuzzi، M. اثرات فضای سبز شهری بر سلامت محیط، برابری و تاب آوری. در راه حل های مبتنی بر طبیعت برای سازگاری با تغییرات اقلیمی در مناطق شهری ؛ Springer: Cham, Switzerland, 2017; ص 187-205. [ Google Scholar ]
  60. گونتیلکه، ا. Yigitcanlar، T. آیوکو، GA؛ Egodawatta، P. محیط زیست پایدار شهری آب: آب و هوا، آلودگی و سازگاری . ادوارد الگار: چلتنهام، بریتانیا، 2014. [ Google Scholar ]
  61. لی، ACK; اردن، HC; Horsley, J. ارزش فضاهای سبز شهری در ترویج زندگی سالم و رفاه: چشم انداز برنامه ریزی. مدیریت ریسک بهداشت و درمان سیاست 2015 ، 8 ، 131. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  62. رستمی، ر. لامیت، اچ. خوش‌ناوا، س.م. رستمی، ر. Rosley، MSF شهرهای پایدار و سهم فضاهای سبز شهری تاریخی: مطالعه موردی باغ‌های ایرانی تاریخی. پایداری 2015 ، 7 ، 13290-13316. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  63. رسچ، بی. سوما، ا. ساگل، جی. زیل، پ. Exner، J.-P. احساسات شهری – استخراج احساسات جغرافیایی معنایی از حسگرهای فنی، حسگرهای انسانی و داده‌های جمع‌سپاری. در حال پیشرفت در خدمات مبتنی بر مکان 2014 ; Springer: Cham, Switzerland, 2015; صص 199-212. [ Google Scholar ]
  64. تاگارد، پ. شرودر، تی. احساسات به عنوان اشاره گرهای معنایی: مکانیسم های عصبی سازنده. در ساخت روانی عواطف ; گیلفورد: نیویورک، نیویورک، ایالات متحده آمریکا، 2014. [ Google Scholar ]
  65. تاگارد، پ. Aubie, B. آگاهی عاطفی: یک مدل عصبی از نحوه تعامل ارزیابی شناختی و ادراک جسمی برای تولید تجربه کیفی. هوشیار، آگاه. شناخت. 2008 ، 17 ، 811-834. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  66. Thagard, P. Hot Thought: Mechanisms and Applications of Emotional Cognition ; مطبوعات MIT: کمبریج، MA، ایالات متحده آمریکا، 2006. [ Google Scholar ]
  67. Kuehner, C. تفاوت های جنسیتی در افسردگی تک قطبی: به روز رسانی یافته های اپیدمیولوژیک و توضیحات احتمالی. Acta Psychiatr. Scand. 2003 ، 108 ، 163-174. [ Google Scholar ] [ CrossRef ]
  68. Pigott, TA تفاوت های جنسیتی در اپیدمیولوژی و درمان اختلالات اضطرابی. جی. کلین. روانپزشکی 1999 ، 60 ، 4-15. [ Google Scholar ] [ PubMed ]
  69. اسلون، DM; کورنشتاین، SG تفاوت های جنسیتی در افسردگی و پاسخ به درمان ضد افسردگی. روانپزشک کلین. N. Am. 2003 ، 26 ، 581-594. [ Google Scholar ] [ CrossRef ]
  70. کرینگ، AM؛ گوردون، AH تفاوت های جنسی در احساسات: بیان، تجربه و فیزیولوژی. جی. شخصی. Soc. روانی 1998 , 74 , 686. [ Google Scholar ] [ CrossRef ]
  71. Labouvie-Vief، G. Lumley، MA; جین، ای. هاینز، H. تفاوت های سنی و جنسیتی در واکنش قلبی و پاسخ های هیجانی ذهنی به خاطرات زندگی نامه ای عاطفی. Emotion 2003 , 3 , 115. [ Google Scholar ] [ CrossRef ]
  72. Birditt، KS; Fingerman، KL تفاوت های سنی و جنسیتی در توصیف بزرگسالان از واکنش های عاطفی به مشکلات بین فردی. جی. جرونتول. سر. ب روانی. علمی Soc. علمی 2003 ، 58 ، P237–P245. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  73. تایر، RE; نیومن، جی آر. مک‌کلین، TM خودتنظیمی خلق و خو: استراتژی‌هایی برای تغییر خلق و خوی بد، افزایش انرژی و کاهش تنش. جی. شخصی. Soc. روانی 1994 ، 67 ، 910. [ Google Scholar ] [ CrossRef ]
  74. لیو، ال. پنگ، ز. وو، اچ. جیائو، اچ. یو، ی. ژائو، جی. شناسایی سریع پراکندگی شهری بر اساس خوشه‌بندی K-means با تراکم جمعیت و آنتروپی فضایی محلی. پایداری 2018 ، 10 ، 2683. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  75. اداره آمار شهرداری ووهان سالنامه آماری ووهان (2018) ؛ انتشارات آمار چین: پکن، چین، 2018; جلد 8. [ Google Scholar ]
  76. هو، کیو. وو، دبلیو. شیا، تی. یو، کیو. یانگ، پی. لی، ز. Song, Q. کاوش در استفاده از تصاویر Google Earth و روش های مبتنی بر شی در نقشه برداری کاربری زمین/پوشش. Remote Sens. 2013 , 5 , 6026–6042. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  77. دو، ی. ژانگ، ی. لینگ، اف. وانگ، کیو. لی، دبلیو. Li, X. نقشه‌برداری بدنه‌های آبی از تصاویر Sentinel-2 با شاخص تفاوت نرمال‌شده آب اصلاح‌شده در وضوح فضایی 10 متر که با تیز کردن باند SWIR تولید می‌شود. Remote Sens. 2016 ، 8 ، 354. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  78. دوان، جی. تجزیه و تحلیل منطقه دریاچه نیو، R. با استفاده از مدل هموارسازی نمایی و تصاویر لندست سری زمانی طولانی در ووهان، چین. پایداری 2018 ، 10 ، 149. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  79. خو، جی. جیائو، ال. ژائو، اس. یوان، م. لی، ایکس. هان، ی. ژانگ، بی. دونگ، تی. بررسی اثرات استفاده از زمین بر کیفیت هوا از دیدگاه مکانی-زمانی در ووهان، چین. Atmosphere 2016 ، 7 ، 62. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  80. لیو، دبلیو. تحقیق در مورد استراتژی شناسایی و تنظیم فضایی منطقه حایل آب نما شهری با مورد ووهان. Ph.D. پایان نامه، دانشگاه علم و فناوری Huazhong، ووهان، چین، 10 ژوئن 2016. [ Google Scholar ]
  81. ژانگ، اس کیو. ژو، دبلیو. اویانگ، سی.پی. رائو، جی. لیو، ZM; یانگ، XH تحلیل احساسات میکرو بلاگ بر اساس جمله اصلی و وابستگی های نحوی. J. Univ. جنوب. چین (Sci. Technol.) 2015 ، 23 ، 109-114. [ Google Scholar ]
  82. Turney، PD; لیتمن، ML اندازه گیری ستایش و انتقاد: استنتاج جهت گیری معنایی از تداعی. ACM Trans. Inf. سیستم (TOIS) 2003 ، 21 ، 315-346. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  83. لین، اچ. Guo, S. در مورد ویژگی ها، محدوده و طبقه بندی قیدهای درجه. J. Shanxi Univ. 2003 ، 26 ، 71-74. [ Google Scholar ]
  84. Fotheringham، AS; Brunsdon، C. اشکال محلی تحلیل فضایی. Geogr. مقعدی 1999 ، 31 ، 340-358. [ Google Scholar ] [ CrossRef ]
  85. حامد، ع. کیو، آر. لی، دی. اهمیت کلاس خنثی در تحلیل احساسات توییت‌های عربی. بین المللی جی. کامپیوتر. علمی آگاه کردن. تکنولوژی 2016 ، 8 ، 17-31. [ Google Scholar ]
  86. کوپل، ام. Schler, J. اهمیت مثال های خنثی برای یادگیری احساسات. محاسبه کنید. هوشمند 2006 ، 22 ، 100-109. [ Google Scholar ] [ CrossRef ]
  87. لیم، KH; لی، KE; کندال، دی. رشیدی، ل. نقی زاده، ا. زمستان، اس. واساردانی، م. چمن از طرف دیگر سبزتر است: درک تأثیرات فضاهای سبز بر احساسات کاربران توییتر. در مجموعه مقالات کنفرانس وب همراه، لیون، فرانسه، 23 تا 27 آوریل 2018؛ ص 275-282. [ Google Scholar ]
  88. پلانز، RA; ژو، ی. Vintimilla، MIC؛ مک کیون، ک. یو، تی. اوگوچونی، ال. سوتو، نماینده پارلمان، احساسات توییتر در شهر نیویورک به عنوان معیاری برای رفاه. Landsc. طرح شهری. 2019 ، 189 ، 235-246. [ Google Scholar ] [ CrossRef ]
  89. شوارتز، ای جی; Dodds، PS; اونیل دان، جی پی؛ دانفورث، سی ام. Ricketts، TH قرار گرفتن در معرض پارک‌های شهری تأثیر منفی را در توییتر کاهش می‌دهد. arXiv 2018 , arXiv:1807.07982. [ Google Scholar ]
Ijgi 09 00465 g001 550
شکل 1. موقعیت دریاچه های شهر ووهان و منطقه مورد مطالعه.
Ijgi 09 00465 g002 550
شکل 2. بخشی از نمایش داده های اصلی.
Ijgi 09 00465 g003 550
شکل 3. نتایج تجسم نقاط Weibo. ( الف ) نمایش تمام داده‌ها در جاده حلقه سوم ووهان، ( ب ) نمایش داده‌های زن در منطقه حائل دریاچه در جاده حلقه سوم، ( ج ) نمایش داده‌های مرد در منطقه بافر دریاچه در جاده حلقه سوم .
Ijgi 09 00465 g004 550
شکل 4. نمودار جریان گسترش تدریجی فرهنگ لغت مرجع.
Ijgi 09 00465 g005 550
شکل 5. نمودار جریان امتیازدهی متن Weibo.
Ijgi 09 00465 g006 550
شکل 6. نمودار جریان کاربرد روش.
Ijgi 09 00465 g007 550
شکل 7. نسبت نقاط عاطفی زنان و مردان در نمرات مختلف.
Ijgi 09 00465 g008 550
شکل 8. تجزیه و تحلیل نقاط داغ احساسات مثبت و منفی جنسیت های مختلف.
Ijgi 09 00465 g009 550
شکل 9. تحلیل مقایسه ای احساسات مثبت و منفی.
Ijgi 09 00465 g010 550
شکل 10. نقشه پارامتر احساسات مثبت رگرسیون وزنی جغرافیایی (GWR) (( a – j ) مخفف رابطه GWR بین ارزش خلقی و POI در جنسیت های مختلف است.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید