چارچوبی تحلیلی برای اندازه گیری نابرابری در افکار عمومی در مورد پلیس – ارزیابی تأثیرات همه گیری COVID-19 با استفاده از داده های توییتر

 

با فراگیر شدن همه‌گیری کووید-19 در سراسر جهان، نیروهای پلیس با مشارکت و اجرای سیاست‌ها و قوانین جدید حاکم بر رفتارهای اجتماعی، نقش‌های جدیدی را به عهده می‌گیرند. با این حال، نحوه اعمال پلیس از این اختیارات عامل مهمی در شکل‌دهی افکار عمومی و اعتماد به فعالیت‌های آنها در فضا و زمان است. این تحقیق یک چارچوب تحلیلی برای اندازه‌گیری نابرابری در افکار عمومی نسبت به تلاش‌های پلیسی در طول همه‌گیری با استفاده از داده‌های توییتر ایجاد کرد. ما کاربرد چارچوب خود را با استفاده از توییت‌های 3 ماهه در 42 منطقه نیروی پلیس (Pfas) انگلستان و ولز (بریتانیا) نشان می‌دهیم. نتایج نشان می‌دهد که نظرات عمومی در مورد پلیس در مکان و زمان بسیار منفی است، و این نظرات بیشتر توسط همه‌گیری COVID-19 در سه Pfa خاص، یعنی Staffordshire، تشدید شده است. دره تیمز و ولز شمالی. ما پیوندی را به اسکریپت منبع باز ارائه کردیم که توسط آن می‌توان این تحقیق را تکرار کرد و با سایر حوزه‌های مطالعه تطبیق داد. این تحقیق این پتانسیل را دارد که به مجریان قانون کمک کند تا پویایی اعتماد و اعتماد عمومی به پلیس را درک کند و اقدام به سمت بهبود خدمات پلیس را تسهیل کند.

کلید واژه ها

نابرابری ، پلیس ، همه گیری کووید-19 ، تحلیل عقاید ، تجسم

1. مقدمه

برای دهه‌ها، فرآیند اندازه‌گیری نتایج تلاش‌های پلیسی – اینکه چگونه این تلاش‌ها بر اعتماد و اعتماد عمومی به پلیس تأثیر گذاشته است – تا حد زیادی به تکنیک‌های سنتی جمع‌آوری داده‌ها، مانند نظرسنجی و مصاحبه بستگی دارد [ 1 ] [ 2 ] [ 3 ]. با این حال، ظهور اخیر سیستم‌های رسانه‌های اجتماعی، مانند توییتر، نه تنها از فرصت‌های داده عظیمی خبر داده است، بلکه پیشرفت‌های جدیدی در نظر کاوی متون زبان طبیعی را نیز به همراه داشته است. از آنجایی که یک کارکرد کلیدی رسانه های اجتماعی این است که به مردم اجازه می دهد نظرات و احساسات خود را به طور گسترده به اشتراک بگذارند، نظر کاوی درست در مرکز تحقیقات و کاربرد خود رسانه های اجتماعی قرار دارد [ 4 ]]. نظر کاوی تکنیک استخراج احساسات از داده های رسانه های اجتماعی با استفاده از روش های محاسباتی است [ 5 ] [ 6 ]. این تکنیک در طیف وسیعی از حوزه‌های کاربردی، از جمله اجرای قانون [ 7 ] [ 8 ] مورد توجه فزاینده‌ای قرار گرفته است. این تکنیک عمدتاً بر احساساتی متمرکز است که دیدگاه‌های مثبت یا منفی را بیان می‌کنند یا دلالت دارند. در این مطالعه، ما یک چارچوب تحلیلی را بر اساس یک تکنیک افکار کاوی معرفی می‌کنیم که اجازه می‌دهد نابرابری در افکار عمومی در مورد پلیس به طور سیستماتیک در طول همه‌گیری COVID-19 اندازه‌گیری و نظارت شود.

از طریق تجزیه و تحلیل داده‌های توییتر در دسترس عموم، می‌توان موضوعاتی را که بیشترین نگرانی را برای عموم مردم دارند شناسایی کرد. از آغاز سال 2020، همه‌گیری COVID-19 مهم‌ترین موضوع برای عموم مردم و همچنین برای بسیاری از سازمان‌ها، از جمله مجری قانون است. نیروهای پلیس باید به یک بحران بهداشت عمومی واکنش نشان دهند و در آن کمک کنند، مقررات و آیین‌نامه‌های جدید را به منظور کمک به مدیریت گسترش همه‌گیری اعمال کنند [ 9 ]. اگرچه تنها بخش کوچکی از شهروندان با یک افسر پلیس تماس مستقیم دارند [ 1]، بسیاری از شهروندان ممکن است نظرات خاصی در مورد فعالیت های پلیس در طول همه گیری به دست آورده باشند. سیستم‌های رسانه‌های اجتماعی مانند توییتر به‌عنوان پلتفرم‌هایی عمل می‌کنند که می‌توان از طریق آن چنین نظراتی را به عموم مردم اعلام کرد، اغلب با یک هشتگ خاص برای نشان دادن زمینه پست [ 10 ] [ 11 ]. از طریق تجزیه و تحلیل این اطلاعات، می توان تأثیر زمینه را بر موضوع مورد نظر اندازه گیری کرد. با این حال، هیچ مطالعه ای بررسی نکرده است که چگونه همه گیر COVID-19 ممکن است جهت گیری افکار عمومی در مورد پلیس و/یا پلیس در مکان و زمان را تشدید یا کاهش داده باشد. پرداختن به این شکاف پژوهشی اولین سهم عمده مطالعه ما است.

تا به امروز، بیشتر مطالعاتی که بر تجزیه و تحلیل افکار عمومی در مورد پلیس متمرکز شده‌اند، به جای تقسیم‌بندی‌های محلی مختلف یک منطقه، منطقه مورد مطالعه را به عنوان یک کل مورد بررسی قرار داده‌اند. برای بسیاری از نیروهای پلیس، درک چگونگی درک مناطق مختلف محلی از عملیات پلیس برای اهداف ارزیابی بسیار مهم است. تلاش‌های قبلی برای اصلاح این شکاف تحقیقاتی از توییت‌های دارای برچسب جغرافیایی ¹ [ 12 ] [ 13 ] برای شناسایی مناطق مختلف محلی که توییت‌ها از آن‌ها سرچشمه می‌گیرند، استفاده می‌کردند. با این حال، درصد توییت‌های دارای برچسب جغرافیایی در جریانی از توییت‌ها حدود 1٪ – 2٪ [ 14 ] [ 15 ] تخمین زده می‌شود.]. این نگرانی‌ها را در مورد کفایت و استحکام توییت‌های دارای برچسب جغرافیایی برای هرگونه تحلیل معنی‌دار ایجاد کرده است. ما این چالش تحقیقاتی را در مطالعه خود با استخراج اطلاعات مکان از نمایه کاربر برای کدگذاری جغرافیایی توییت‌ها بر این اساس برطرف کردیم. ما بر اساس این رویکرد به دقت کدگذاری جغرافیایی 92 درصد دست یافتیم که پیشرفت قابل توجهی نسبت به اطلاعات «برچسب جغرافیایی» است. این رویکرد فرصتی منحصر به فرد برای تحلیل نابرابری در افکار عمومی در سراسر فضا با استفاده از داده های توییتر ایجاد می کند.

همانطور که افکار عمومی از نظر جغرافیایی متفاوت است، از نظر زمانی نیز متفاوت است [ 16 ]. تا آنجا که ما می دانیم، هیچ مطالعه ای نابرابری های مکانی و زمانی را در افکار عمومی در مورد پلیس با توجه به همه گیری با استفاده از داده های توییتر بررسی نکرده است. نظر مردم در مورد پلیس ثابت نیست، بلکه در طول زمان تغییر می کند. این تغییرات را می توان در فضا و زمان اندازه گیری و نظارت کرد. در این مطالعه، ما از ناحیه نیروی پلیس (Pfa) استفاده می‌کنیم که واحدهای عملیاتی نیروهای پلیس در انگلستان و ولز را به عنوان واحد فضایی ما و یک سطل زمانی ماهانه را به‌عنوان واحد زمانی تحلیل نشان می‌دهد. بنابراین، تجزیه و تحلیل افکار عمومی در مورد پلیس در رابطه با همه گیر، به طور همزمان در مکان و زمان، دومین سهم عمده مطالعه ما است.

یکی از جنبه های مهم تحلیل نظرات، نمایش نتایج است. کوچر و همکاران [ 17] یک نمای کلی از طیف گسترده ای از روش های تجسم که در تحقیقات قبلی به کار گرفته شده اند را ارائه می دهد. این ابزارها از ابزارهای اساسی مانند نمودار دایره ای یا میله ای (که برای نمایش خلاصه ای ساده برای نسبت احساسات مثبت/منفی استفاده می شود) تا گروه های پیشرفته شامل نقشه های ارتباط اصطلاحی خودسازمانده (که برای نمایش اطلاعات احساسات جغرافیایی چندبعدی پیچیده استفاده می شود) را شامل می شود. اغلب، انتخاب ابزار تجسم به جنبه های واقعی نظر اندازه گیری شده بستگی دارد. به عنوان مثال، یک نمودار خطی پایه برای نمودار سری زمانی موثر است، در حالی که نقشه‌های مکانی متوالی برای آشکار کردن الگوهای فضایی و خوشه‌بندی نظرات در سراسر فضا مؤثر هستند. در این مطالعه، ما از ابزارهای گرافیکی ساده، مانند نمودارهای رادار و نقشه‌های مکانی متوالی استفاده می‌کنیم.

ساختار این مقاله به شرح زیر است: در ابتدا، ما یک مرور مختصر از کار مرتبط با تمرکز بر تجزیه و تحلیل نظرات ارائه می دهیم که از این پس به عنوان “تحلیل احساسات” نامیده می شود، و همچنین کاربردهای آن در دو زمینه مرتبط – اجرای قانون و بیماری همه گیر . ما در مورد توسعه چارچوب سیستماتیک خود برای اندازه گیری نابرابری در افکار عمومی نسبت به پلیس، به لحاظ مکانی و زمانی بحث می کنیم. سپس مطالعه موردی، نتایج و بخش‌های بحث را ارائه می‌کنیم. ما با توضیح اهمیت مطالعه خود و برنامه ریزی برای تحقیقات آینده نتیجه گیری می کنیم.

هدف و سوالات تحقیق

هدف اصلی این مطالعه ارزیابی تأثیرات همه‌گیری COVID-19 (توئیت‌ها) بر جهت‌گیری افکار عمومی در مورد پلیس در سراسر انگلستان و ولز، طی یک دوره سه ماهه است. استراتژی تحقیقاتی ما ایجاد یک چارچوب تحلیلی است که امکان جمع‌آوری توییت‌های مربوط به پلیس را فراهم می‌کند، که از آن می‌توان زیرمجموعه مربوط به همه‌گیری COVID-19 را برای ارزیابی جدا کرد. به طور خاص، ما قصد داریم به سؤال تحقیق زیر پاسخ دهیم:

س 1: جهت گیری افکار عمومی در مورد تلاش های پلیسی در فضا در طول زمان چیست؟

Q2: همه گیری COVID-19 چگونه بر جهت گیری افکار عمومی در Q1 تأثیر گذاشته است؟ آیا الگوبرداری و/یا خوشه بندی مکانی و زمانی برای تعاملات پلیسی-COVID-19-هندمی در Q2 وجود دارد؟

2. کارهای مرتبط

در بخش زیر مروری کوتاه بر کارهای مرتبط ارائه می کنیم.

کاربردهای تحلیل افکار در پلیس و بیماری همه گیر

برخی از جدیدترین کاربردهای تحلیل عقاید را می توان در مطالعه بیماری همه گیر COVID-19 مشاهده کرد. برای مثال، [ 18 ] در کار خود نشان دادند که توییت‌های مربوط به کووید-19 می‌تواند نتیجه‌ای گمراه‌کننده داشته باشد. این در نتایج آنها مشهود است، جایی که از یک سو بیشترین نسبت بازتوییت های تحلیل شده بین ژانویه 2019 و مارس 2020 خنثی یا منفی بود، در حالی که از سوی دیگر، آنهایی که بین دسامبر 2019 و می 2020 تجزیه و تحلیل شدند نسبت بیشتری از نظرات مثبت را نشان دادند. سایر مطالعات مرتبط شامل [ 19 ] [ 20 ] است.

در مجریان قانون، تنها یک مقاله با استفاده از داده‌های توییتر، انجمن جرایم COVID-19 را بررسی کرده است [ 21 ]. نیکولوسکا و همکاران در مطالعه خود. [ 21 ] از رویکرد کیفی به نام تحلیل موضوعی [ 22 ] [ 23 ] [ 24 ] استفاده کرد.]، به جای استفاده از تحلیل نظرات. آنها نشان دادند که بیشتر توئیت‌های مجری قانون بر جنایت متمرکز نبودند، بلکه در عوض بر تشویق مردم به پیروی از دستورالعمل‌های دولت در مورد رفتار در طول همه‌گیری یا پلیس عمومی متمرکز بودند. علاوه بر این، مطالعه آنها به طور خاص بر موضوع پلیس در رابطه با همه گیری متمرکز نیست. بنابراین، تا جایی که می‌دانیم، هیچ مطالعه‌ای تجزیه و تحلیل نظرات داده‌های توییتر را برای بررسی ارتباط پلیسی-COVID-19-همه‌گیری در طول همه‌گیری انجام نداده است. به ویژه، هیچ مطالعه‌ای وجود نداشته است که بررسی کند چگونه همه‌گیری کووید-19 ممکن است جهت‌گیری افکار عمومی را به سمت پلیس بر اساس تحلیل احساسات تشدید یا کاهش داده باشد. علاوه بر این، اکثر مطالعات موجود صرفاً بر تجزیه و تحلیل مؤلفه‌های متنی توییت‌ها متمرکز شده‌اند و توجه چندانی به اینکه چگونه احساسات یا نظرات ممکن است در مناطق کوچک‌تر در یک منطقه مطالعاتی گسترده‌تر در طول زمان متفاوت باشد، پرداخته‌اند. در ادامه این مقاله، ما استراتژی پر کردن این شکاف تحقیقاتی را در قالب یک چارچوب تحلیلی و ارائه یک نمونه مطالعه موردی برای برجسته کردن سودمندی راه‌حل ارائه می‌کنیم.

3. توسعه چارچوب مکانی و زمانی مبتنی بر زمینه

شکل 1 شماتیک چارچوب تحلیلی ما برای اندازه گیری و نظارت بر افکار عمومی در مورد پلیس در رابطه با همه گیری COVID-19 است. چارچوب از سه جزء تشکیل شده است، یعنی؛ اکتساب داده، تحلیل عقاید (یا احساسات) و تجسم متوالی. در بخش‌های فرعی زیر به توضیح دقیق هر یک از این اجزا می‌پردازیم.

3.1. کاربردهای تحلیل افکار در پلیس

1) دانلود داده ها

توییتر API برای دانلود توییت‌های در دسترس عموم برای این مطالعه استفاده می‌شود. API یک ابزار قابل برنامه ریزی است که دسترسی عمومی به توییتر را فراهم می کند

داده هایی که کاربران برای به اشتراک گذاشتن با جهان انتخاب کرده اند. با این حال، APIها داده‌ها (توییت‌ها) را به‌طور تصادفی از مکان‌های مختلف در سراسر جهان می‌کشند که منجر به یک پایگاه داده جعلی می‌شود. ما این فرآیند پیش‌فرض را با محدود کردن API به یک جغرافیای محدود مختل می‌کنیم. اساساً ما پوشش جغرافیایی را به شکل دایره ای تعریف می کنیم که توییت ها باید از آن نشات بگیرند. این فرآیند با استفاده از تابع “search_tweets()” بسته “rtweet” در زبان R [ 25 ] به دست می آید. API برای جستجوی توییت هایی سفارشی شده است که حاوی هر یک از کلمات کلیدی مشخص شده یا هشتگ های مربوط به پلیس یا پلیس هستند. این کلمات کلیدی عبارتند از: پلیس، پلیس، و مجری قانون.

2) ژئوکدینگ

پس از دانلود داده‌ها، هر توییت را با استفاده از موقعیت مکانی نمایه کاربر به واحد تحلیل فضایی مربوطه کدگذاری کردیم. واحد فضایی منتخب برای تجزیه و تحلیل، واحدهای عملیاتی واقعی نیروهای پلیس در بریتانیا است که مناطق نیروی پلیس نامیده می‌شوند و از این پس به عنوان «Pfas» شناخته می‌شوند. برای geocoding، ما یک جدول “Pfa-location-lookup” ایجاد کردیم که به هر توییت اجازه می دهد تا به Pfa مربوطه خود اختصاص داده شود. جدول “Pfa-location-lookup” شامل نام تمام شهرها، شهرک ها و روستاها در سراسر انگلستان و ولز است. ما این جدول را بر اساس روزنامه محل دفتر آمار ملی انگلستان [ 26 ] ایجاد کردیم]. در مجموع، 35604 نام مکان منحصر به فرد در جدول “Pfa-location-lookup” ما وجود دارد. از نظر جغرافیایی، سؤالات عدم قطعیت را می توان در مورد نمایندگی توییتر به عنوان منبعی برای نظر کاوی مطرح کرد. در 38 مورد از 42 Pfas، مقدار میانه و سومین کمیت تعداد توییت‌هایی که نظر در مورد پلیس را بیان می‌کنند، به ترتیب 1 و 3 هستند. این نشان می دهد که اظهار نظر پربار در میان کاربران توییتر در مطالعه ما حداقل است. بنابراین، مجموعه داده های توییتر ما نمونه خوبی از جمعیت را نشان می دهد.

3.2. تحلیل عقیده

تحلیل عقیده یک تکنیک متن کاوی برای طبقه‌بندی محاسباتی نظرات از یک قطعه داده متنی به احساسات مثبت یا منفی یا برخی احساسات ظریف‌تر مانند تعجب، ترس یا انزجار است. به منظور کمک به انتقال آسان داده ها در بسته های مختلف علوم داده R مورد استفاده، ما هر سند توییت را به یک قالب مرتب تبدیل کردیم [ 27 ]. در مطالعه خود، از واژگان AFINN [ 28 ] (برگرفته از نام نویسنده، Finn Ärup Nielsen) استفاده می کنیم، که با تخصیص یک نمره احساسات که درجه جهت گیری احساسات را نشان می دهد، طبقه بندی مثبت/منفی ظرافت بیشتری را ارائه می دهد. نمرات از 5 (بسیار مثبت) تا -5 (بسیار منفی) متغیر است. واژگان AFINN در مقابل واژگان “BING” استفاده می شود [ 29]، که یک طبقه بندی مثبت/منفی آشکار می دهد، زیرا تفاوت های ظریف ارائه شده توسط اولی زمینه بیشتری را به طبقه بندی اضافه می کند. طبقه بندی نظر نهایی ( یعنی به عنوان یک احساس منفی یا مثبت) برای یک توییت با جمع کردن تمام نمرات احساسات از توییت محاسبه می شود. همچنین، برای افزودن زمینه بیشتر به طبقه بندی خود، بی گرام ها را در نظر می گیریم (به عنوان مثالامتیاز دهی به دو کلمه متوالی) طبقه بندی در مواردی که قبل از یک کلمه احساسی یک کلمه منفی مانند “نه”، “هرگز”، “نه” یا “بدون” وجود دارد. نمره چنین کلمه احساسی نمره در جهت مخالف کلمه اصلی است. به عنوان مثال، اگر کلمه “خوب” که بر اساس واژگان AFINN به عنوان +3 نمره داده می شود، قبل از یک کلمه منفی مانند “not” (مانند “not”) باشد، نمره احساس 3- می شود. توییت‌هایی که امتیاز صفر خالص دارند یا حاوی کلمات احساسی نیستند، خنثی (غیر ذهنی) در نظر گرفته می‌شوند و بنابراین از اسناد حذف می‌شوند.

1) نمرات نظر مشاهده شده

امتیاز نظر (OP) یک واحد جغرافیایی i را می توان به عنوان تفاوت بین مجموع همه توییت های وزنی مثبت و مجموع همه توییت های وزنی منفی در منطقه [ 30 ] تعریف کرد. این در رابطه (1) به صورت زیر بیان می شود:

OP =∑wمن⋅PSمن− ∑wمن⋅NSمن∑wمنOP=∑wi⋅PSi−∑wi⋅NSi∑wi(1)

جایی که، wمنwiوزنی است که به هر توییت اختصاص داده می شود، به عنوان مثال بر اساس سطح توییت های مجدد یا موارد دلخواه، PSمنPSiو NSمنNSiبه ترتیب نشان دهنده توییت های مثبت و منفی است. در این مطالعه، وزن یعنی wمن= 1 ∀منwi=1 ∀iبه منظور اجازه دادن به یک نمره نظر ساده. به عبارت دیگر، امتیاز نظر نهایی (OP) یک Pfa به تفاوت بین تعداد کل تعداد توییت‌های مثبت و تعداد کل منفی تبدیل می‌شود. بنابراین، امتیاز نظر یک واحد جغرافیایی اگر OP دارای علامت (+) باشد، مثبت و اگر دارای علامت (-) باشد، منفی است. بنابراین در مطالعه ما، OP معیار سنجش افکار عمومی در مورد پلیس را در یک دوره زمانی معین نشان می دهد.

2) سند احساسات مورد انتظار (ESD)

به منظور ارزیابی تأثیرات هر موضوع (مثلاً همه‌گیری COVID-19) بر افکار عمومی مشاهده شده، نیاز به جداسازی تأثیرات آن موضوع از امتیاز OP محاسبه شده وجود دارد. ما ایده “سند احساسات مورد انتظار (ESD)” را برای این منظور توسعه می دهیم. اساسا، ESD احتمال احساسات کلمات مربوط به موضوع را با احتمالات احساسی متناظر ناشی از موضوع اصلی یعنی پلیس جایگزین می کند. با انجام این کار، اثرات یا سهم کلمات کلیدی مرتبط با موضوع را می توان از امتیاز OP حذف کرد. این به ما “سند احساسات مورد انتظار (ESD)” می دهد. این ایده در شکل 2 نشان داده شده است . برای سادگی به توییت هایی اشاره می کنیم که فقط مربوط به پلیس استفقط شامل کلمات کلیدی پلیسی) به عنوان توییت‌های «نوع 1» است، در حالی که توییت‌هایی که هم به پلیس و هم به موضوع انتخاب‌شده مربوط می‌شوند، یعنی همه‌گیری COVID-19، به‌عنوان توییت‌های «نوع 2» هستند.

3) تست تصادفی سازی

همانطور که در شکل 2 نشان داده شده است ، ما اهمیت آماری ( p -values) را برای نمرات OP مشاهده شده استخراج می کنیم. P- value برای ارزیابی اینکه آیا امتیاز OP مشاهده شده بعید است به دلیل وقوع تصادفی باشد، مورد نیاز است. برای محاسبه p-value ، یک استراتژی ناپارامتریک بر اساس آزمایش تصادفی سازی [ 31 ] [ 32 ] پیشنهاد می کنیم. ما این سوال را می‌پرسیم: «اگر امتیازهای نظر مورد انتظار (به عنوان مثال f ( E )) تحت فرضیه صفر (H0) ایجاد می‌شد، چقدر احتمال دارد نمره‌ای بالاتر از

نمرات مشاهده شده f ( O )؟». در هر Pfa، آزمایش تصادفی سازی شامل تولید تعداد زیادی ESD است که در اینجا به عنوان “کپی”، S نامیده می شود و توزیعی از امتیاز نظر مورد انتظار را بدست می آورد. f*( E)f*(E). یک کپی با تصادفی کردن تخصیص احساسات توییت‌های «نوع ۲» بر اساس احتمالات ناشی از توییت‌های «نوع ۱» ایجاد می‌شود. با توجه به f*( E)f*(E)از یک Pfa داده شده، p -value به صورت محاسبه می شود p = (اسضرب و شتم+ 1 ) /اسجمع+ 1p=(Sbeat+1)/Stotal+1، جایی که اسجمعStotalتعداد کل کپی های ایجاد شده است، اسضرب و شتمSbeatتعداد کپی هایی با مقدار f ^* بزرگتر از f ( O ) است. از آنجایی که f ( O ) می‌تواند بزرگ‌تر یا کوچک‌تر از f ( E ) باشد، ما یک توزیع دو طرفه ایجاد کردیم که به ما اجازه می‌دهد قضاوت کنیم که آیا سند نوع 2 به‌طور قابل‌توجهی بر افکار عمومی مشاهده‌شده در هر جهت تأثیر گذاشته است یا خیر. برای آزمایش تصادفی سازی، هر چه تعداد کپی های بیشتری تولید شود، p-value دقیق تر است . یک مقدار معمولی S = 999 خواهد بود. بر اساس 999 کپی، اگر برای مثال، 7 مورد از 999 ماکت امتیاز بالاتری نسبت به f ( O ) داشته باشند، آنگاه p-مقدار O (7 + 1)/(999 + 1) = 0.008 است. از آنجایی که زمان اجرا متناسب با تعداد تکرارها است، ممکن است تعداد تکرار کمتری مانند 99 تکرار توصیه شود.

3.3. تجسم متوالی

به منظور انتخاب ابزارهای تجسم برای نشان دادن نتایج، ما در نظر می گیریم که چگونه اطلاعات مکانی و زمانی به صورت واضح نمایش داده می شود. بنابراین، ما یک استراتژی تجسم متوالی را انتخاب کردیم، به این معنی که نتایج هر مرحله زمانی به طور جداگانه تجسم می شود. ما مشاهده کردیم که نشان دادن یک نقشه جغرافیایی، به عنوان مثال، به طور جداگانه برای هر مرحله زمانی، در مقایسه با استفاده از نمایش پیچیده، مانند یک نقشه سه بعدی، اطلاعات واضح تر و خواناتری تولید می کند. با این اوصاف، در تجسم نمرات نظر مشاهده شده فقط در مورد پلیس، نمودارهای رادار را در چندین مرحله زمانی ترکیب کردیم تا به مقایسه کمک کنیم. ما از رویکرد تجسم متوالی برای تولید نمودارهای لیکرت و نقشه های جغرافیایی استفاده می کنیم که رابطه بین پلیس و همه گیری COVID-19 را نشان می دهد.

3.4. تکرارپذیری تحقیق

کل کدهای منبع مورد استفاده برای انجام این تحلیل به عنوان یک ماده تکمیلی برای این مقاله ارائه شده است. کد منبع به زبان R است و همچنین به صورت آنلاین به عنوان فایل Rmarkdown در https://github.com/MAnalytics/JGIS_Policing_COVID-19 در دسترس است. کد منبع شامل توابعی از بسته جدید “Opitools” [ 33 ] است که برای اجرای اجزای کلیدی چارچوب تحلیلی پیشنهاد شده در این تحقیق طراحی شده است.

4. مطالعه موردی Pfas در انگلستان و ولز

ما مطالعه موردی Pfas را در انگلستان و ولز با هدف نشان دادن سودمندی چارچوب تحلیلی خود ارائه می‌کنیم. ما نمایش خود را تحت عناوین زیر تکمیل می کنیم، 1) منطقه مطالعه و کاوش داده ها، 2) تجزیه و تحلیل داده ها و 3) نتایج. اکنون جزئیات را به شرح زیر ارائه می دهیم

4.1. منطقه مطالعه و اکتشاف داده ها

منطقه مورد مطالعه ما مناطق جغرافیایی “انگلیس و ولز” است – یک حوزه قضایی قانونی که دو کشور از چهار کشور تشکیل دهنده بریتانیا را پوشش می دهد. “انگلیس و ولز” شامل 9 منطقه پلیسی خودسرانه است که به 43 منطقه نیروی پلیس (Pfas) تقسیم می شود. نقشه در شکل 3مکان های فضایی Pfas را در مناطق مربوطه نشان می دهد که در رنگ های مختلف نشان داده شده است. در مطالعه خود، ما 42 Pfa را در نظر می گیریم که به دلیل همپوشانی مرزهایشان، «شهر لندن» و «متروپولیتن لندن» Pfas را با هم ادغام کرده اند. می توان مشاهده کرد که تعداد Pfas در مناطق پلیسی متفاوت است، به طوری که “شمال شرقی” کمترین تعداد (سه Pfas) را دارد، در حالی که هر دو منطقه “شرق” و “جنوب شرقی” بیشترین تعداد Pfas را دارند. هر کدام شش بر اساس قانون جنایت و بی نظمی در سال 1998، انتظار می رود Pfas برای توسعه و اجرای استراتژی هایی برای محافظت از جوامع محلی مربوطه خود با یکدیگر همکاری کنند.

برای این مطالعه، توییت‌های در دسترس عموم مربوط به پلیس یا پلیس را از 20 اکتبر 2020 تا 19 ژانویه 2021 (3 ماه) دانلود کردیم. این دوره زمانی دومین و سومین قرنطینه ملی کووید-19 در سراسر بریتانیا را پوشش می‌دهد و بنابراین، پلیس وظایف خود را در طول دوره مطالعه افزایش داده است. ما بارگیری داده ها را دو بار در روز (صبح و شب) انجام دادیم. هر بار،

Twitter API توییت‌ها را از 7 روز گذشته تا زمان فعلی (در زمان واقعی) بازیابی می‌کند. ما فقط روی توییت‌هایی تمرکز می‌کنیم که حاوی هشتگ‌ها و/یا کلمات کلیدی مشخص‌شده مرتبط با پلیس هستند. این کار با پاک‌سازی داده‌ها دنبال می‌شود که در آن همه متون تکراری و جعلی از جمله علائم نگارشی، هشتگ‌ها، ایموجی‌ها و کلمات توقف حذف می‌شوند. ما همچنین توییت‌های مجدد را حذف کردیم، اما «پاسخ‌ها» (که حاوی کلمات کلیدی هستند) را حفظ کردیم. سپس توئیت ها را با استفاده از جدول جستجوی موقعیت مکانی Pfa خود کدگذاری کردیم تا به دقت کدگذاری جغرافیایی 92 درصد دست یابیم. هیستوگرام های انباشته شده در شکل 3حجم کل توییت‌های دانلود شده در هر Pfa را نشان می‌دهد، با نوار فرعی قرمز و مقادیر درصد (قرمز) نسبت توییت‌های حاوی هشتگ‌ها یا کلمات کلیدی مرتبط با بیماری همه‌گیر را نشان می‌دهد. واضح است که اکثر Pfas بین 5٪ تا 8٪ توییت هایی دارند که بر روی پلیس با توجه به همه گیری COVID-19 تمرکز دارند. تفاوت چشمگیری با این مقادیر، نسبت های به دست آمده از استافوردشایر، تیمز ولی، و شمال ولز Pfas به ترتیب با 42، 47.4 و 40 درصد است. از کاوش داده ها، مشخص نیست که چه عواملی مسئول این تفاوت شدید با بقیه Pfas هستند.

4.2. تحلیل داده ها

سند توییت بر اساس مراحل انتخابی زمانی (بین‌ها) برای تجزیه و تحلیل ما تقسیم شد. مراحل زمانی در زیر تکرار می شود:

● مرحله زمانی 1: 20 اکتبر 2020 تا 19 نوامبر 2020 (1 ماه)،

● مرحله زمانی 2: 20 نوامبر 2020 تا 19 دسامبر 2020 (1 ماه) و؛

● زمان مرحله 3: 20 دسامبر 2020 تا 19 ژانویه 2021 (1 ماه).

برای هر مرحله زمانی، تجزیه و تحلیل احساسات را با استفاده از سند توییت برای استخراج OSD و متعاقباً نظرات مشاهده شده (با استفاده از معادله (1)) برای هر Pfa انجام دادیم. سپس آزمایش آماری را با استفاده از رویکردی که در بخش 3.2c شرح داده شده است، انجام دادیم. ما 999 تکرار از هر سند OSD را برای هر Pfa و برای هر مرحله زمانی انجام می دهیم. در مجموع، 42 Pfas × 3 مرحله زمانی × 999 تکرار = 125874 شبیه سازی داده انجام شد. به منظور تعیین اینکه آیا یک مشاهده برای یک آزمایش دو دنباله مهم در نظر گرفته می شود، ما قرارداد سطح 5٪ را اتخاذ می کنیم، به این معنی که هر طرف توزیع مورد انتظار در 2.5٪ کاهش می یابد که مربوط به مقدار p 0.025 است.

5. نتایج

اکنون نتایج را در رابطه با مجموعه سؤالات تحقیق در بخش 1.1 توضیح می دهیم.

س 1: جهت گیری افکار عمومی در مورد تلاش های پلیسی در فضا در طول زمان چیست؟

شکل 4 درصد امتیاز OP هر Pfa را در مناطق پلیسی مربوطه با استفاده از نمودار رادار نشان می دهد. نتیجه سه مرحله زمانی با استفاده از رنگ‌های مختلف، با سبز روشن، سبز و آبی تیره نشان داده می‌شود که به ترتیب نشان‌دهنده مشاهدات در مراحل زمانی 1، 2 و 3 است. امتیاز OP به گونه ای نشان داده می شود که مقادیر به سمت بیرون از مرکز در جهت مثبت افزایش می یابد. به عبارت دیگر، بیرونی ترین دایره نشان دهنده حداکثر است

امتیاز نظر در حالی که درونی ترین دایره نشان دهنده کمترین نمره نظر در هر نمودار است. با توجه به اینکه نمرات نظر همه منفی است، مشاهدات نزدیک به دایره بیرونی در مقایسه با مشاهدات نزدیک به دایره داخلی منفی هستند.

به طور کلی، شکل 4 نشان می دهد که دیدگاه منفی نسبت به تلاش های پلیس در انگلستان و ولز، در تمام مناطق و مراحل زمانی وجود دارد. با توجه به اینکه آیا منطقه دارای Pfa پرت است یا خیر، می توان مناطق را به دو گروه بزرگ تقسیم کرد. منطقه با امتیازهای OP پرت، مناطق غربی میدلند، ولز و جنوب شرقی است، و مشاهدات پرت به ترتیب Staffordshire، North Wales و Thames Valley هستند. این Pfa ها به عنوان همان سه Pfa در شکل 3 مشخص شده اندبا حجم قابل توجهی از توییت ها با هشتگ های همه گیر COVID-19. اثر پرت نیز در این Pfas در سه مرحله زمانی ثابت است. این یافته‌ها نشان می‌دهد که همه‌گیری COVID-19 منجر به نظر منفی بالاتری در مورد پلیس شده است. گروه دوم بدون هیچ نقطه پرت نشانه روشنی را ارائه می دهد که نظرات می توانند به طور چشمگیری از یک مرحله زمانی به مرحله دیگر نوسان داشته باشند. به عنوان مثال، هامبرساید Pfa در یورکشایر و منطقه پلیس هامبر در مرحله زمانی 1 نظر منفی متوسطی را نشان می دهد، که در مرحله زمانی 2 تقریباً 80 درصد افزایش یافت، که سپس به کمترین نظر منفی در مرحله زمانی 3 تا 40 درصد کاهش یافت. . اوج نمایش داده شده در مرحله زمانی 2، که بیشتر بخش دسامبر را در بر می گیرد و مصادف با قرنطینه دوم است، ممکن است نشان دهنده واکنش به فعالیت های پلیسی در این دوره زمانی باشد. با این حال، سطح مشابهی از نوسان مشاهده شده در Gloucestershire Pfa (منطقه جنوب غربی)، اما با مرحله زمانی 2 که کمترین نظرات منفی را نشان می دهد، ممکن است واکنش مثبتی به فعالیت های پلیسی در همان دوره باشد.

Q2: همه گیری COVID-19 چگونه بر جهت گیری افکار عمومی در Q1 تأثیر گذاشته است؟ آیا الگوسازی و/یا خوشه بندی مکانی و زمانی برای تعاملات همه گیر پلیس-COVID-19 در Q2 وجود دارد؟

ما شکل 5 و شکل 6 را برای پاسخ به Q2 تولید می کنیم. در شکل 5، ما Pfas را به ترتیب درصد کاهشی توییت‌های نوع 2 رتبه‌بندی می‌کنیم تا امکان ارزیابی رابطه بین احساسات و همه‌گیری COVID-19 را فراهم کنیم. با شروع از Pfas پرت (3 نوار برتر) که قبلاً در پاسخ‌های Q1 مشخص شده بود، می‌توانیم به وضوح ببینیم که نظرات بخش‌های نوع 2 میله‌ها در هر مرحله زمانی بسیار منفی است (حدود 95٪). ترکیب توییت‌های نوع 1 و نوع 2 با هم، در مقایسه با توییت‌های نوع 1، نظر منفی بسیار بیشتری ایجاد می‌کند. به عنوان مثال، امتیاز نظر Thames Valley Pfa در مرحله زمانی 1 با ترکیب هر دو توییت نوع 1 و نوع 2 برابر با 76.5- تخمین زده می شود که در مقایسه با امتیاز تخمین زده شده تنها با استفاده از توییت های نوع 1، 102 درصد افزایش می یابد. نتایج مشابهی نیز در Staffordshire و North Wales Pfas به دست آمده است.

39 Pfa باقی مانده دارای نسبت کمتری از توییت های نوع 2 هستند. نسبت ها در مرحله زمانی 3 در تمام Pfa ها با حدود 8٪ – 10٪ در مقایسه با مرحله زمانی 1 و 2، که حدود 5٪ – 8٪ هستند، کمی بیشتر است. پتانسیل

تأثیر توئیت‌های نوع 2 در این موارد ممکن است در مقایسه با سه Pfa پرت در بالا به آسانی آشکار نباشد. با این حال، آزمایش آماری پیشنهادی باید به ما بگوید که آیا تأثیر از نظر آماری معنی‌دار است یا خیر.

شکل 6 نتایج آزمون معنی داری را نشان می دهد که به صورت مکانی نشان داده شده است. سعی می کنیم به این سوال پاسخ دهیم؛ با توجه به توئیت‌های نوع 1 به عنوان انتظار، چقدر احتمال دارد که امتیاز OP بالاتر از توئیت‌های نوع 2 پیدا کنیم؟ به عبارت دیگر، اگر افکار عمومی صرفاً در مورد پلیس به عنوان نظر مورد انتظار در نظر گرفته شود، نظر بیان شده در رابطه با «همه‌گیری COVID-19» چقدر از نظر آماری متفاوت است؟ سایه‌های قرمز و قرمز روشن (در شکل 6 ) نشان‌دهنده نمرات قابل توجه OP «کمتر از حد انتظار» در p -value ≤ 0.001 و در p هستند.مقدار ≤ 0.025 به ترتیب (توجه داشته باشید که “کمتر از حد انتظار” یک نظر منفی به معنای نمره منفی بالاتر است). از سوی دیگر، سایه‌های آبی و آبی روشن به ترتیب نشان‌دهنده نمرات OP “بیشتر از حد انتظار” در مقادیر p مربوطه هستند. چند ضلعی های شفاف نمرات OP غیر قابل توجهی را نشان می دهند. در مواد تکمیلی، جداولی ارائه می کنیم که نمایش عددی نتایج تجزیه و تحلیل را نشان می دهد. این جداول شامل جداول “مشاهده” است که نمرات OP محاسبه شده را در سراسر Pfas و مراحل زمانی نشان می دهد، ” Pجداول -value که مقادیر معنی دار آماری را بر اساس 999 تکرار نشان می دهد و جدول موقعیت با مقدار “TRUE” اگر امتیاز OP مشاهده شده از میانگین انتظار بیشتر باشد و “0” اگر کمتر یا برابر با میانگین انتظار باشد. . این سه جدول برای ایجاد شکل 6 ترکیب شده اند (جزئیات را در کد منبع ببینید).

می توان مشاهده کرد که در حالی که اکثر Pfas اثرات غیر قابل توجهی از همه گیری کووید-19 (توئیت ها) نشان می دهند، تعدادی Pfa وجود دارد که تأثیرات آماری قابل توجهی را نشان می دهند، با سطوح مختلف ثبات در طول زمان. مجدداً، می‌توانیم سه Pfas، Staffordshire، Thames Valley و North Wales را شناسایی کنیم که در هر مرحله زمانی، امتیازهای OP «پایین‌تر از حد انتظار» را با سطح معنی‌داری آماری p-value ≤ 0.001 نشان می‌دهند. در اینجا، سطوح اهمیت مشاهده شده به نسبت بالای توییت های مرتبط با بیماری همه گیر (بیش از 40٪) که بیش از 85٪ احساسات منفی دارند نسبت داده می شود ( شکل 5 را ببینید.). از نظر فضایی، استافوردشایر، دره تیمز و ولز شمالی در سه منطقه پلیسی مجاور قرار دارند، اما خود Pfas به هم پیوسته نیستند. بنابراین، بعید است که نتیجه به اثرات خودهمبستگی فضایی نسبت داده شود.

Pfas مهم دیگر در طول زمان اهمیت ناپایداری از خود نشان می دهند. به عبارت دیگر، Pfas تنها در یک یا دو مرحله زمانی، OP قابل توجه را نشان می دهد. بنابراین، یک Pfa ممکن است در یک زمان خاص نظر قابل توجهی نشان دهد، اما در مرحله زمانی دیگر غیر قابل توجه شود. نمونه‌ای از این Pfa “West Yorkshire” واقع در منطقه “Yorkshire and the Humber” است که امتیاز OP “بیش از حد انتظار” را نشان می دهد ( p-value ≤ 0.001) در مرحله زمانی 1، سپس در مرحله زمانی 2 غیر معنی دار شد. از نظر فضایی، می توان مشاهده کرد که Pfas در منطقه میدلند تمایل به نشان دادن برخی خوشه بندی در مقایسه با سایر بخش های منطقه مورد مطالعه دارد. خوشه بندی فضایی در مرحله زمانی 2 با Pfa های متعدد به هم پیوسته، که از مناطق جنوبی تا مناطق میدلندز اجرا می شود، آشکارتر است. تنها موارد کمی از Pfas به هم پیوسته قابل توجهی وجود دارد که آنها نیز به همان مناطق پلیسی تعلق دارند. این دسته از Pfas ممکن است از نظر عملیاتی هنگام اجرای مداخلات برای رسیدگی به افکار عمومی منفی مفید باشند.

6. بحث

این مطالعه به چالش‌های پژوهشی مربوط به استفاده از داده‌های توییتر، روش‌شناسی و کاربرد تحلیل نظرات یا احساسات پرداخت. در مرحله اول، چالش استفاده از داده شامل فقدان اطلاعات جغرافیایی (تگ های جغرافیایی) کافی در داده های توییتر در دسترس است که امکان ارجاع جغرافیایی دقیق توییت ها به منطقه جغرافیایی محلی مربوطه را فراهم می کند. تا به امروز، مطالعات موجود بر استفاده از توییت‌های دارای برچسب جغرافیایی تکیه کرده‌اند که تخمین زده می‌شود در یک زمان معین، حدود 1 تا 2 درصد از کل حجم دانلودی باشد. ما استدلال می کنیم که این اندازه نمونه ممکن است به اندازه کافی قوی نباشد تا به دقت معقول دست یابد، به ویژه در برنامه های کاربردی زندگی واقعی. ما این چالش را با پیشنهاد استفاده از موقعیت مکانی نمایه کاربران، مرتبط با پایگاه داده اسامی مکان‌ها که مخصوصاً برای این مطالعه ایجاد شده است، برطرف کردیم. بر اساس این پایگاه داده (جدول جستجو) ما توانستیم 92 درصد توییت ها را به طور دقیق ژئوکد کنیم. اگرچه اغلب تفاوت‌های جزئی بین مکان نمایه کاربر و مکان برچسب جغرافیایی وجود دارد، این تفاوت‌ها معمولاً زمانی به حداقل می‌رسند که واحد فضایی تجزیه و تحلیل به اندازه کافی بزرگ باشد، مانند گستره جغرافیایی واحد فضایی Pfa که در این مطالعه استفاده کردیم. در انگلستان و ولز، صلاحیت یک Pfa به طور کلی در چندین شهر و شهر گسترش می یابد.

ثانیاً، ما یک رویکرد سیستماتیک را ایجاد کردیم که توسط آن می توان تأثیر یک موضوع اساسی را بر روی یک موضوع ارزیابی کرد. یعنی با توجه به یک موضوع مورد علاقه، مثلاً A، چگونه می توانیم آزمایش کنیم که آیا موضوع دیگر (یا موضوعی)، مثلاً B، بر نظر مشاهده شده در مورد A به شکلی (از نظر آماری) معنی دار تأثیر گذاشته است یا خیر. این ایده هرگز در مطالعات قبلی با استفاده از تحلیل احساسات اجرا نشده است. علاوه بر این، به منظور تعیین اهمیت آماری چنین تاثیری، ما یک روش آزمایش تصادفی‌سازی پیشنهاد کردیم که از طریق آن p را محاسبه کردیم.-مقادیر امتیاز نظر محاسبه شده برای هر واحد جغرافیایی. این راه حل ها به عنوان یک چارچوب تحلیلی برای اندازه گیری و نظارت بر نابرابری در افکار عمومی در سراسر یک منطقه جغرافیایی یکپارچه شده اند. بر اساس این چارچوب، ارزیابی تأثیرات هر موضوع اساسی دیگر، مثلاً C، D، و غیره، بر موضوع A امکان پذیر است. محققان یا متخصصان همکار فقط باید هشتگ ها یا کلمات کلیدی مربوط به یک زیربنای جدید را شناسایی کنند. موضوع، و مراحل گنجانده شده در چارچوب را دنبال کنید. به عنوان نمونه، ما «پلیس» را به عنوان موضوع، A، و «همه‌گیری COVID-19» را به عنوان موضوع اصلی به کار بردیم.

با استفاده از چارچوب تحلیلی جدید، ما یک مطالعه موردی ارائه کردیم که در آن داده‌های توییتر جمع‌آوری‌شده در یک دوره سه ماهه، در ۴۲ منطقه نیروی پلیس (Pfas) در انگلستان و ولز، برای ارزیابی تأثیر همه‌گیری COVID-19 بر عموم استفاده شد. نظر نسبت به پلیس نتایج نشان می‌دهد که افکار عمومی نسبت به پلیس در مکان و زمان بسیار منفی است و این نظرات منفی به طور قابل توجهی توسط همه‌گیری COVID-19 تشدید شده است، به ویژه در سه Pfa خاص، یعنی Staffordshire، Thames Valley، و North Wales. این Pfa ها نظرات عمومی «پایین‌تر از حد انتظار» را در طول زمان نشان می‌دهند که نتایج آن به حجم زیادی از توییت‌های بسیار منفی COVID-19 نسبت داده می‌شود. ما شواهدی از نابرابری مکانی و زمانی این نظرات عمومی قابل توجه در سراسر منطقه مورد مطالعه را می بینیم. ما یک خوشه فضایی باریک از Pfas قابل توجهی را مشاهده کردیم. با این حال، ما این الگوبرداری را به خود همبستگی فضایی به دلیل همسایگی Pfas که نمرات نظر معنی‌دار «بالاتر از حد انتظار» و «پایین‌تر از حد انتظار» نشان می‌دهند، نسبت ندادیم. به طور خلاصه، به نظر می‌رسد که توییت‌های عمومی در مورد همه‌گیری COVID-19 منجر به نظر کم و بیش منفی در مناطق سراسر انگلستان و ولز شده است.

تا جایی که ما می دانیم، این مطالعه اولین مطالعه ای است که با استفاده از داده های توییتر، تجزیه و تحلیل احساسات را برای بررسی ارتباط همه گیر پلیس-COVID-19 اعمال می کند. تنها یک مطالعه ارتباط جنایات COVID-19 را با استفاده از داده های توییتر مورد بررسی قرار داده است [ 21 ]. با این حال، آنها به جای تحلیل احساسات، از تحلیل موضوعی استفاده می کنند. از این رو، ترکیب هر دو پلیس و همه‌گیری COVID-19 با استفاده از تجزیه و تحلیل احساسات داده‌های توییتر چالش کاربردی است که در این مطالعه به آن پرداختیم.

به منظور تسهیل جذب چارچوب تحلیلی خود در یک محیط عملیاتی واقعی، ما کد منبع باز را ارائه می کنیم که به هر کاربر بالقوه اجازه می دهد تحلیل را به طور کامل بازتولید کند. ما پیوند کدهای منبع را ارائه می دهیم. کد منبع باز همچنین فرصتی را برای دیگران ایجاد می کند تا این مطالعه را با سایر زمینه ها تطبیق دهند.

در نهایت، در حالی که تحلیل احساسات به طور فزاینده ای در طیف گسترده ای از حوزه ها مورد استفاده قرار می گیرد، محققان این تکنیک را به دلیل از دست دادن زمینه یا معنای عمیق تر ارتباطات مورد انتقاد قرار داده اند [ 34 ]. اگرچه ما این انتقاد را تا حدی با محاسبه امتیاز خالص نظر یک توییت با استفاده از درجات مختلف احساسات ذاتی در توییت و همچنین اطمینان از اینکه احساسات “منفی” به طور موثر ضبط شده اند، بررسی می کنیم، کارایی این نوآوری ها در آینده ارزیابی خواهد شد. کار کردن علاوه بر این، این فرض که توییت‌هایی که صریحاً به همه‌گیری کووید-19 اشاره می‌کنند، از نظر زمینه با مواردی که به آن اشاره نمی‌کنند، ممکن است ناقص باشد. گرفتن هدف پشت یک پست، حتی با طبقه بندی دستی، همچنان یک چالش است.

7. نتیجه گیری

هدف این مطالعه ارزیابی تأثیرات همه‌گیری COVID-19 (توئیت‌ها) بر جهت‌گیری افکار عمومی در مورد پلیس در فضا و زمان است. ما با توسعه یک چارچوب تحلیلی که تکنیک تجزیه و تحلیل نظرات را به منظور استخراج نظرات بیان شده از داده‌های توییتر به کار می‌برد و امکان ارزیابی سیستماتیک تأثیر موضوعات درون توییت‌ها را بر یکدیگر فراهم می‌کند، به این هدف دست پیدا می‌کنیم. ما سودمندی چارچوب تحلیلی را با آشکار ساختن اینکه چگونه همه‌گیری COVID-19 (توئیت‌ها) باعث تشدید و/یا کاهش افکار عمومی نسبت به پلیس در سراسر انگلستان و ولز شده است، نشان دادیم.

یک چارچوب تحلیلی قابل اعتماد و در دسترس برای سنجش نابرابری در افکار عمومی در مورد پلیس می‌تواند به ارزیابی کلی کیفیت و اثربخشی پلیس عمومی کمک کند، زیرا می‌تواند به درک نیازها و اولویت‌های جامعه و همچنین عملکرد پلیس در جلب رضایت کمک کند. آن نیازها چنین چارچوب تحلیلی را قادر می سازد: یک تحلیلگر پلیس خدمات پلیس را ارزیابی کند. تصمیم‌گیرندگان پلیس بتوانند سازمان‌های خود را به منظور ارائه حداکثر ارزش به شهروندان راهنمایی کنند. و افسران پلیس بدانند که از آنها چه انتظاری می رود. چارچوب تحلیلی پیشنهادی ما در خدمت این اهداف عملیاتی است.

مفهوم کلی نظر «مثبت» یا «منفی» در عین ارزشمند بودن، چیزی بیش از یک حس عمومی از اعتماد و اعتماد عمومی به پلیس ارائه نمی دهد. برای درک اینکه شهروندان در مورد خدمات پلیس از چه چیزی راضی یا ناراضی هستند، باید سؤالات دقیق تری پرسیده شود. پاسخ به سوالات پیچیده تر با استفاده از داده های توییتر زمینه ای است که در آینده قصد داریم روی آن تمرکز کنیم. در همین حال، یک نظرسنجی سالانه در مقیاس بزرگ از افکار عمومی برای ارزیابی برداشت های فعلی از پلیس در سراسر Pfas در انگلستان و ولز انجام می شود. برنامه تحقیقاتی آینده ما شامل یک مطالعه مقایسه ای بین این رویکرد نظرسنجی و استفاده از سیستم رسانه های اجتماعی است.

منابع

[ 1 ]	Langan، P.، Greenfeld، L.، Smith، S.، Durose، M. and Levin، D. (2001) تماس بین پلیس و مردم: یافته های بررسی ملی 1999. اداره آمار دادگستری، واشنگتن دی سی.
[ 2 ]	Mastrofski, S. (1981) نظرسنجی از مشتریان برای ارزیابی عملکرد پلیس: تمرکز بر رویارویی پلیس-شهروند. بررسی ارزیابی، 5، 397-408. https://doi.org/10.1177%2F0193841X8100500308
[ 3 ]	Mestre, J. (1992) برنامه بازخورد جامعه: دوازده سال بعد. قانون و نظم، 40، 57-60.
[ 4 ]	لیو، بی. (2012) تحلیل احساسات و کاوی عقیده. سخنرانی های ترکیبی در مورد فن آوری های زبان انسانی، 5، 1-167. https://doi.org/10.2200/S00416ED1V01Y201204HLT016
[ 5 ]	Balahur, A., Mihalcea, R. and Montoyo, A. (2014) رویکردهای محاسباتی به تحلیل ذهنیت و احساسات: روش ها و کاربردهای موجود و پیش بینی شده. گفتار و زبان رایانه ای، 28، 1-6. https://doi.org/10.1016/j.csl.2013.09.003
[ 6 ]	لیو، بی (2015) تجزیه و تحلیل احساسات: نظرات، احساسات و عواطف معدن. انتشارات دانشگاه کمبریج، کمبریج. https://doi.org/10.1017/CBO9781139084789
[ 7 ]	Istia، S. and Purnomo، H. (2018) تحلیل احساسات عملکرد مجری قانون با استفاده از ماشین بردار پشتیبان و K-نزدیکترین همسایه. سومین کنفرانس بین المللی فناوری اطلاعات، سیستم اطلاعات و مهندسی برق، یوگیاکارتا، 13-14 نوامبر 2018، 84-89. https://doi.org/10.1109/ICITISEE.2018.8720969
[ 8 ]	Hand, LC and Ching, BD (2019) حفظ بی‌طرفی: تحلیل احساسات صفحات فیس‌بوک آژانس پلیس قبل و بعد از تیراندازی یک شهروند توسط افسر مرگبار. فصلنامه اطلاعات دولت، 37، شناسه مقاله: 101420. https://doi.org/10.1016/j.giq.2019.101420
[ 9 ]	Laufs, J. and Waseem, Z. (2020) پلیس در بیماری های همه گیر: بررسی سیستماتیک و بهترین شیوه ها برای واکنش پلیس به COVID-19. International Journal of Disaster Risk Reduction, 51, ID مقاله: 101812. https://doi.org/10.1016/j.ijdrr.2020.101812
[ 10 ]	Chukwusa, E., Johnson, H. and Gao, W. (2020) تحلیل اکتشافی افکار عمومی و احساسات نسبت به همه‌گیری COVID-19 با استفاده از داده‌های توییتر. میدان تحقیق. https://doi.org/10.21203/rs.3.rs-33616/v1
[ 11 ]	Xue, J., Chen, J., Chen, C., Hu, R. and Zhu, T. (2020) همه‌گیری پنهان خشونت خانوادگی در طول COVID-19: یادگیری بدون نظارت توییت‌ها. مجله تحقیقات اینترنتی پزشکی، 22، e24361. https://doi.org/10.2196/24361
[ 12 ]	Jiang, Y. Li, Z. and Ye, X. (2019) درک سوگیری های جمعیتی و اجتماعی-اقتصادی کاربران توییتر دارای برچسب جغرافیایی در سطح شهرستان. نقشه کشی و علم اطلاعات جغرافیایی، 46، 228-242. https://doi.org/10.1080/15230406.2018.1434834
[ 13 ]	Paul, D., Li, F., Teja, M., Yu, X. and Frost, R. (2017) Compass: Spatio Temporal Sentiment Analysis of US Election آنچه توییتر می گوید! مجموعه مقالات بیست و سومین کنفرانس بین المللی ACM SIGKDD در زمینه کشف دانش و داده کاوی، هالیفاکس، آگوست 2017، 1585-1594. https://doi.org/10.1145/3097983.3098053
[ 14 ]	Malik, M., Lamba, H., Nakos, C. and Pfeffer, J. (2015) تعصب جمعیت در توییت‌های دارای برچسب جغرافیایی. مجموعه مقالات کنفرانس بین المللی AAAI 2015 در وب و رسانه های اجتماعی، آکسفورد، 26-29 مه 2015، 18-27.
[ 15 ]	Pavalanathan، U. and Eisenstein, J. (2015) آشفتگی ها و پیامدها در داده های توئیتر دارای برچسب جغرافیایی. 2015 کنفرانس روش های تجربی در پردازش زبان طبیعی، سپتامبر 2015، 2138-2148. https://doi.org/10.18653/v1/D15-1256
[ 16 ]	کلمن، اچ سی (1961) فرآیندهای تغییر عقیده. فصلنامه افکار عمومی، 25، 57-78. https://doi.org/10.1086/266996
[ 17 ]	Kucher, K., Paradis, C. and Kerren, A. (2018) وضعیت هنر در تجسم احساسات. انجمن گرافیک کامپیوتری، 37، 71-96. https://doi.org/10.1111/cgf.13217
[ 18 ]	Chakraborty، K.، Bhatia، S.، Bhattacharyya، S.، Platos، J.، Bag، R. and Hassanien، AE (2020) تجزیه و تحلیل احساسات توییت های COVID-19 توسط طبقه بندی کننده های یادگیری عمیق – مطالعه ای برای نشان دادن محبوبیت تاثیر بر دقت در رسانه های اجتماعی محاسبات نرم کاربردی، 97، شناسه مقاله: 106754. https://doi.org/10.1016/j.asoc.2020.106754
[ 19 ]	Xue, J., Chen, J., Chen, C., Zheng, C., Li, S. and Zhu, T. (2020) گفتمان و احساسات عمومی در طول همه‌گیری کووید 19: استفاده از تخصیص دیریکله پنهان برای مدل‌سازی موضوعی توییتر. PLoS ONE, 15, e0239441. https://doi.org/10.1371/journal.pone.0239441
[ 20 ]	Samuel, J., Ali, GGMN, Rahman, MM, Esawi, E. and Samuel, Y. (2020) بینش احساسات عمومی COVID-19 و یادگیری ماشین برای طبقه‌بندی توییت‌ها. اطلاعات، 11، 314. https://doi.org/10.31234/osf.io/sw2dn
[ 21 ]	نیکولوفسکا، ام.، جانسون، اس. و اکبلوم، پی. (2020) “این موضوع را نشان دهید”: پلیس، اختلال و بسیج از طریق توییتر. تحلیلی از شیوه‌های توئیت مجری قانون بریتانیا در طول همه‌گیری کووید-19. علم جرم 9 مقاله شماره 20 https://doi.org/10.1186/s40163-020-00129-2
[ 22 ]	هیورین، تی و زک، ال. (2010) توییتر برای به اشتراک گذاری اطلاعات اداره پلیس شهر. مجموعه مقالات انجمن علوم و فناوری اطلاعات آمریکا، 47، 1-7. https://doi.org/10.1002/meet.14504701277
[ 23 ]	Crump, J. (2011) پلیس در توییتر چه می کند؟ رسانه های اجتماعی، پلیس و مردم. خط مشی و اینترنت، 3، 1-27. https://doi.org/10.2202/1944-2866.1130
[ 24 ]	Lieberman, JD, Koetzle, D. and Sakiyama, M. (2013) استفاده ادارات پلیس از فیس بوک: الگوها و مسائل سیاست. فصلنامه پلیس، 16، 438-462. https://doi.org/10.1177/1098611113495049
[ 25 ]	Kearney، MW (2019) Rtweet: جمع آوری و تجزیه و تحلیل داده های توییتر. مجله نرم افزار متن باز، 4، شماره مقاله 1829. https://doi.org/10.21105/joss.01829
[ 26 ]	دفتر آمار ملی (2015) شهرهای بزرگ و شهرها (دسامبر 2015) نام ها و کدها در انگلستان و ولز. دفتر آمار ملی لندن.
[ 27 ]	Silge, J. and Robinson, D. (2016) Tidytext: Text Mining and Analysis Using Tidy Data Principles in R. Journal of Open Source Software, 1, article No. 37. https://doi.org/10.21105/joss. 00037
[ 28 ]	Nielsen, F. (2011) A New New: Evaluation of a New List for Sentiment Analysis in Microblogs. هشتمین کنفرانس وب معنایی گسترده، هراکلیون، 29 مه-2 ژوئن 2011، 93-98.
[ 29 ]	Hu, M. and Liu, B. (2004) استخراج و خلاصه کردن نظرات مشتریان. مجموعه مقالات کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، سیاتل، اوت 2004، 168-177. https://doi.org/10.1145/1014052.1014073
[ 30 ]	Malshe, A. (2019) برنامه های تجزیه و تحلیل داده ها. https://ashgreat.github.io/analyticsAppBook/index.html
[ 31 ]	Fisher, RA (1935) The Design of Experiments. هافنر، نیویورک
[ 32 ]	Good, P. (2006) روشهای نمونه گیری مجدد. ویرایش سوم، بیرخاوزر، بازل.
[ 33 ]	Adepeju, M. (2021) Opitools: ابزاری برای تجزیه و تحلیل نظرات در یک سند متنی. https://cran.r-project.org/web/packages/opitools/index.html
[ 34 ]	والش، جی پی (2019) رسانه های اجتماعی و امنیت مرزی: استفاده از توییتر توسط آژانس های پلیس مهاجرت. پلیس و جامعه، 30، 1138-1156. https://doi.org/10.1080/10439463.2019.1666846