چکیده

نگرش ها، عواطف و نظرات مردم تا حدودی نشان دهنده وضعیت جامعه است. درک وضعیت و روند احساسات عمومی و هدایت مؤثر جهت گیری احساسات برای حفظ ثبات اجتماعی در هنگام بلایا ضروری است. داده های رسانه های اجتماعی به موثرترین منبع برای مطالعه احساسات عمومی تبدیل شده اند. از ابزار TextBlob برای محاسبه ارزش احساسات توییت‌ها استفاده می‌شود، و این تحقیق وضعیت احساسات عمومی را در طول طوفان هایان تجزیه و تحلیل کرد، از مدل موضوع بیت‌ترم (BTM) برای طبقه‌بندی موضوعات استفاده کرد، روند تغییر موضوعات بحث عمومی را در مراحل مختلف در طول دوره بررسی کرد. فاجعه، و تفاوت در محتوای بحث افراد را تحت احساسات مختلف تجزیه و تحلیل کرد. ما همچنین الگوی فضایی احساسات را تجزیه و تحلیل کردیم و به طور کمی عوامل تأثیرگذار تفاوت‌های فضایی احساسات را بررسی کردیم. نتایج نشان داد که احساسات عمومی عمومی در طول طوفان هایان مثبت بود، در مقایسه با توییت‌های مثبت، توییت‌های منفی حاوی اطلاعات فاجعه‌آمیز جدی‌تر و اطلاعات تقاضای فوری‌تر بودند، و تعداد توییت‌ها، جمعیت و نسبت جوانان. و جمعیت میانسال عوامل غالب در تفاوت‌های فضایی احساسات بودند.

کلید واژه ها:

بلایای طبیعی ؛ تحلیل احساسات ؛ طبقه بندی موضوع ; تکامل زمانی و مکانی تشخیص فاکتور ؛ تشخیص تعاملی

1. مقدمه

هنگامی که یک بلای طبیعی به طور ناگهانی رخ می دهد، احساسات وحشت به سرعت در بین جمعیت پخش می شود که نه تنها بر ثبات جامعه، بلکه بر مدیریت اضطراری بلایا نیز تأثیر می گذارد. نگرش ها، عواطف و عقاید مردم تا حدی نشان دهنده وضعیت جامعه است [ 1 ، 2 ]. درک وضعیت، روند و تغییرات غیرعادی در احساسات عمومی به آژانس‌های نجات کمک می‌کند تا تصمیمات مربوط به نجات را اتخاذ کنند و مدیریت اضطراری بلایا را هماهنگ کنند [ 3 ].
استفاده گسترده از رسانه های اجتماعی راه جدیدی برای به دست آوردن اطلاعات فاجعه فراهم می کند و نظرات منتشر شده توسط افراد آسیب دیده به اطلاعات دست اول فاجعه تبدیل می شود [ 4 ، 5 ، 6 ، 7 ]. مردم در مناطق آسیب دیده از رسانه های اجتماعی برای حفظ ارتباط با جهان خارج، بحث در مورد فاجعه، درخواست کمک و دریافت اعلان ها از سازمان های مربوطه در طول فاجعه استفاده می کنند [ 8 ، 9 ]. محققان تحقیقات گسترده ای در مورد بلایا بر اساس رسانه های اجتماعی انجام داده اند [ 10 ]، مانند آگاهی از وضعیت بلایا و هشدارهای اولیه [ 11 ، 12 ، 13 ]]، ارزیابی تلفات بلایا [ 14 ، 15 ، 16 ]، و اطلاعات کاوی [ 17 ، 18 ، 19 ]. اطلاعات رسانه های اجتماعی حاوی نگرش ها، احساسات و نظرات عمومی است که ردیابی پاسخ های عمومی را امکان پذیر می کند [ 17 ].
استخراج اطلاعات مربوط به فاجعه از داده های رسانه های اجتماعی عظیم و بدون ساختار یک چالش است. مدل های موضوعی به طور گسترده در استخراج اطلاعات رسانه های اجتماعی استفاده می شود. عمران و همکاران [ 20 ] یک پلت فرم پاسخگویی به فاجعه هوش مصنوعی (AIDR) را توسعه داد که نظارت دستی و یادگیری ماشین را ترکیب کرد و یک طبقه‌بندی خودکار برای 9 موضوع مرتبط با بلایا آموزش داد. این با موفقیت در زلزله پاکستان آزمایش شد. پوروهیت و همکاران [ 21] توییت‌ها را به متن نیمه ساختاریافته تبدیل کنید و سپس از روش‌های یادگیری ماشینی نظارت شده برای طبقه‌بندی متن، شناسایی متون مرتبط برای نیازهای امدادرسانی در بلایا و تطبیق آنها با ارائه‌دهندگان تقاضا استفاده کنید. در تطبیق عرضه و تقاضا، روش آنها 72 درصد بیشتر از تطبیق تنها با استفاده از تشابه متن است. وان و همکاران [ 22 ] از تخصیص دیریکله نهفته (LDA) و ماشین بردار پشتیبان (SVM) برای طبقه بندی سینا ویبو مرتبط در طول باران شدید “21 جولای” در پکن استفاده کرد و 6 موضوع را به دست آورد. وی اطلاعات اضطراری را در جریان متن بی‌درنگ شناسایی و مکان‌یابی کرد و اصول توزیع تجهیزات اضطراری را مطرح کرد. ژانگ و همکاران [ 23] از BTM برای طبقه‌بندی توییت‌ها در طول طوفان هایان، شناسایی توییت‌های مرتبط با تقاضا، و تجزیه و تحلیل تقاضای منابع کمکی استفاده کرد، که منجر به تصمیم‌گیری به موقع در صورت وقوع فاجعه می‌شود. لیگوتوم و همکاران [ 24 ] از BTM برای تجزیه و تحلیل کیفی توییت های مرتبط با طوفان استفاده کرد، از کدگذاری باز به ویژه برای ارزیابی نتایج استفاده کرد و تفاوت هایی را در رفتار فیلیپینی ها در طول طوفان یافت.
تجزیه و تحلیل احساسات برای شناسایی نظرات مثبت و منفی، احساسات و ارزیابی های بیان شده به زبان طبیعی استفاده می شود [ 25 ]. تجزیه و تحلیل احساسات اطلاعات رسانه های اجتماعی برای درک دیدگاه های بیان شده توسط عموم بسیار مهم است [ 26 ]. در سال های اخیر، بسیاری از محققان از تحلیل احساسات برای تحقیقات بلایا استفاده کرده اند. نپالی و همکاران [ 27 ] یک تحلیل احساسی از توییت‌های ارسال شده در توییتر در طول طوفان فاجعه‌بار سندی انجام داد و احساسات کاربران آنلاین را بر روی نقشه جغرافیایی تجسم کرد تا نشان دهد که احساسات افراد با توجه به موقعیت کاربر و فاصله از مرکز طوفان تغییر می‌کند. ناگی و استامبرگر [ 28] واژه‌نامه‌های احساسات و شکلک‌ها را برای تشخیص احساسات در توییت‌ها در جریان انفجار گاز طبیعی و آتش‌سوزی سال ۲۰۱۰ در سن برونو، کالیفرنیا، ترکیب کرد. نتایج نشان می دهد که دقت این روش 27 درصد بیشتر از دقت شبکه بیزی به تنهایی است. شولز و همکاران [ 29 ] یک روش تجزیه و تحلیل احساسات دقیق را برای تجزیه و تحلیل میکروبلاگ های مرتبط با طوفان سندی با تقسیم احساسات افراد به شش دسته «خشم، انزجار، ترس، شادی، غم و تعجب» پیشنهاد کرد. بیشتر مطالعات تحلیل احساسات مربوط به فاجعه بیشتر به توصیف حالات احساسات می پردازند و فاقد کاوش در علل و عوامل مؤثر بر احساسات هستند. پژوهش ما بر چهار سوال به شرح زیر متمرکز است.
(1) الگوهای زمانی و مکانی احساسات عمومی پس از فاجعه چگونه تکامل می‌یابند؟
(2) محتوای بحث عمومی در مراحل مختلف فاجعه چگونه تغییر می کند؟
(3) تفاوت در موضوعات بحث عمومی تحت احساسات مختلف چیست؟
(4) چه عواملی بر تفاوت های فضایی در احساسات عمومی تأثیر می گذارد؟
برای پرداختن به این چهار سوال، ابتدا از روش‌های تحلیل احساسات برای توصیف احساسات عمومی از منظر زمان و مکان استفاده می‌کنیم. دوم، ما موضوعات بحث عمومی را تحت احساسات مختلف از طریق طبقه بندی موضوع بررسی می کنیم. در نهایت، ما از آشکارسازهای جغرافیایی برای تجزیه و تحلیل کمی عوامل تأثیرگذار احساسات عمومی با توجه به تفاوت‌های فضایی استفاده می‌کنیم.

2. طوفان هایان

این تحقیق طوفان هایان (یا Yolanda محلی) را به عنوان مطالعه موردی انتخاب کرد. از یک سو، این طوفان قوی‌ترین طوفانی است که تاکنون در شمال غربی اقیانوس آرام ثبت شده است. در ساعت 4:40 صبح 8 نوامبر 2013، طوفان هایان در استان سامار فرود آمد و استان ها و شهرهای مرکزی فیلیپین را درنوردید. خسارات و تلفات اقتصادی قابل توجهی را به همراه داشت و منجر به 6300 مرگ، 28688 مجروح، بیش از 3 میلیون خانواده آسیب دیده و خسارات اقتصادی بیش از 1.9 میلیارد دلار آمریکا شد [ 30 ]. از سوی دیگر، فیلیپین یکی از بزرگترین سهم کاربران توییتر را در جهان دارد. در طول طوفان هایان، مردم نظرات زیادی را در مورد آن در توییتر منتشر کردند که داده‌های کافی برای تحقیق ارائه می‌کرد. شکل 1مسیر و سیگنال هشدار طوفان عمومی هایان را نشان می دهد.

3. روش

فرآیند تحقیق تحلیل زمانی و مکانی احساسات عمومی و عوامل مؤثر بر آن در شکل 2 ارائه شده است . ابتدا توییت های مربوط به بلایا را جمع آوری کرده و آنها را پیش پردازش می کنیم. سپس، ارزش احساسات توییت ها را محاسبه می کنیم و قطبیت احساسات توییت ها را بر اساس TextbBlob تقسیم می کنیم. در نهایت، تحلیل زمانی و مکانی احساسات عمومی انجام شد. طبقه بندی موضوع برای بررسی تحول موضوعات عمومی و تجزیه و تحلیل دلایل تغییرات زمانی در احساسات عمومی بر اساس تحول موضوعات استفاده می شود. علاوه بر این، ما از یک آشکارساز جغرافیایی برای کشف عواملی که بر توزیع فضایی احساسات عمومی تأثیر می‌گذارند استفاده می‌کنیم.

3.1. جمع آوری داده ها و پیش پردازش داده های توییتر

توییت‌های تاریخی از اکتبر تا دسامبر 2013 از توییت‌های 1% موجود در پایگاه داده بایگانی اینترنتی ( https://archive.org/ ، در 20 مه 2018) دانلود شدند. با استفاده از روش فیلترینگ هشتگ پیشنهاد شده توسط نیکیتا و چنگ [ 31 ]، از طریق پنج لایه فیلتر (غربالگری زمانی، غربالگری فضایی، غربالگری فرکانس، غربالگری متخصص و یک ماشین بردار پشتیبان)، 21 هشتگ مربوط به طوفان هایان به دست آمد ( جدول A1). ). بر اساس هشتگ‌های حاصل، یک برنامه خزنده وب مجموعه داده‌های مربوط به رسانه‌های اجتماعی را با غربالگری هشتگ‌ها در فاجعه بازیابی کرد. در نهایت، 67355 توییت اصلی (به استثنای ریتوییت) از 2 نوامبر 2013 تا 30 نوامبر 2013 به دست آمد.
برای تمیز کردن و عادی سازی داده ها، مراحل پیش پردازش برای متون عبارتند از:
(1) متون تکراری را حذف کنید.
(2) متون بخش.
(3) کاراکترهای غیر الفبایی، کلمات توقف، کلمات کم بسامد (که فقط یک بار ظاهر می شوند)، کلمات غیرمرتبط با بسامد بالا (که بیشتر از 1٪ از کل کلمات ظاهر می شوند) و هشتگ ها را حذف کنید.
(4) متون با کیفیت پایین را حذف کنید (متن هایی که تنها 0 یا 1 کلمه بعد از مرحله 3 باقی مانده است).
علاوه بر داده‌های توییتر، داده‌های اجتماعی-اقتصادی فیلیپین و داده‌های فاجعه طوفان هایان نیز برای تجزیه و تحلیل عواملی که بر احساسات عمومی در هنگام بلایا تأثیر می‌گذارند، جمع‌آوری شد. داده ها و منابع دقیق در جدول 1 نشان داده شده است.

3.2. تحلیل احساسات توییت

تحلیل احساسات فرآیند شناسایی احساسات، نظرات و نگرش های ذهنی کاربر از متن است [ 32 ]. مهمترین وظایف تحلیل احساسات عبارتند از استخراج احساسات، طبقه بندی احساسات، بازیابی احساسات و گزارش به تصمیم گیرندگان. تجزیه و تحلیل احساسات شامل محاسبه ارزش احساسات توییت ها و تقسیم قطبیت است. در حال حاضر، بسیاری از روش ها [ 33 ، 34 ، 35 ، 36 ، 37 ] می توانند تحلیل احساسات را انجام دهند. ما از TextBlob [ 38 ] برای محاسبه ارزش احساسات یک توییت استفاده می کنیم. TextBlob در بسیاری از مطالعات تحلیل احساسات استفاده می شود [ 39 ، 40 ، 41]. این یک کتابخانه پایتون برای پردازش داده های متنی است و یک API برای انجام وظایف پردازش زبان طبیعی رایج مانند برچسب گذاری بخشی از گفتار، تجزیه و تحلیل احساسات، طبقه بندی و غیره ارائه می دهد.

محاسبه ارزش احساسات TextBlob در واقع یک تحلیل احساسات مبتنی بر فرهنگ لغت است. بخشی از گفتار، کلمات منفی، قید درجه، علائم نقطه گذاری و شکلک ها به طور جامع در محاسبه ارزش احساس در نظر گرفته می شوند. برای هر توییت، ویژگی «احساس» یک تاپل نامگذاری شده به شکل «احساس (قطبیت، ذهنیت)» را برمی‌گرداند. امتیاز قطبی ارزش احساسی توییت را نشان می‌دهد که منعکس کننده درجه مثبت یا منفی توییت است.

قطبیت=∑من=0ک(-0.5)n·اسمن_آد·اسپتوnج∗اسهمترک
اسمن_آد=مآایکس(-1،ممنن(اسمن∗اسآد،1))

جایی که کنشان دهنده تعداد کلمات احساسی در یک توییت است، اسمنارزش احساسی کلمه احساس فعلی را نشان می دهد، اسمن_آدنشان دهنده ارزش احساسی کلمه احساسی با قید درجه است، nتعداد کلمات منفی مربوط به کلمه احساسی است،  اسپتوnجارزش احساسی علامت نقطه گذاری است و همترارزش احساسی شکلک ها است. مآایکسیعنی حفظ حداکثر مقدار، ممننبه معنای حفظ حداقل مقدار است

در محدوده [–1.0، 1.0] تغییر می کند، که در آن -1.0 بسیار منفی و 1.0 بسیار مثبت است. ذهنیت در محدوده [0.0، 1.0] متفاوت است، جایی که 0.0 بسیار عینی است و 1.0 بسیار ذهنی است. تحلیل احساسات نوعی تحلیل ذهنی است [ 42 ]. بنابراین، ما در تحقیق خود فقط توییت ها را با یک ذهنیت نه برابر 0 تجزیه و تحلیل کردیم.

3.3. دسته بندی موضوع توییت

برای استخراج موضوع توییت از مدل موضوع بیت ترم (BTM) استفاده می شود. توسط یان و همکاران پیشنهاد شد. [ 43 ] برای رفع کاستی های ناشی از متون کوتاه. BTM مستقیماً الگوهای هم‌روی کلمه را از یک هم‌روی جفت کلمه نامرتب در یک زمینه کوتاه مدل می‌کند. BTM پراکندگی اسناد را با یادگیری موضوعات از الگوی کل مجموعه حل می کند.
از آنجایی که BTM یک روش بدون نظارت است، تعداد موضوعات قبل از مدل سازی توسط منحنی گیجی تعیین می شود. ما از منحنی گیجی برای استنتاج تعداد موضوعات استفاده می کنیم. وقتی گیجی کوچکتر باشد، مدل بهتر است. مطالعه قبلی [ 44 ] فرآیند ساخت مدل BTM و محاسبه گیجی را با جزئیات معرفی کرد.
از آنجایی که توییت‌هایی به زبان‌های مختلف وجود دارد، ناهماهنگی زبان دشواری طبقه‌بندی و درک را افزایش می‌دهد. بنابراین، متون غیر انگلیسی قبل از طبقه بندی به متن انگلیسی ترجمه شدند. پس از اجرای BTM، ماتریس توزیع احتمال موضوع-کلمه به دست می آید. این ماتریس نشان دهنده احتمال کلمات مختلف در یک موضوع است. در هر موضوع، 20 کلمه پرتکرار را انتخاب کنید و سپس معانی خاص هر موضوع را شرح دهید. برخی از موضوعات ممکن است معانی مشابهی داشته باشند، بنابراین می توان آنها را به صورت دستی با هم گروه بندی کرد.

3.4. آشکارساز جغرافیایی

آشکارساز جغرافیایی، به عنوان مثال، ژئودیتکتور، یک مدل تجزیه و تحلیل فضایی است که تمایز فضایی یک پدیده و مکانیسم محرک آن را تشخیص می دهد [ 45 ]. در بلایا، احساسات کلی یک منطقه تحت تأثیر عوامل زیادی قرار می گیرد. ما عوامل محرک تفاوت‌های احساسات در مناطق مختلف را از چهار جنبه اجتماعی، اقتصادی، فرهنگی و موقعیت‌های فاجعه کنونی بررسی کردیم و 7 شاخص خاص (که در جدول 2 نشان داده شده‌اند ) را برای نمایش این چهار جنبه انتخاب کردیم. شاخص ها در هر عامل مستقل از یکدیگر و معرف هستند. آشکارساز عامل و آشکارساز تعاملی در Geodetector برای تجزیه و تحلیل استفاده می شود.

3.4.1. آشکارساز فاکتور

Geodetector یک ابزار آماری برای اندازه‌گیری ناهمگنی طبقه‌ای (SH) و کشف عوامل تعیین‌کننده SH است. آشکارساز عامل برای اندازه‌گیری و یافتن SH در میان داده‌های احساسی و برای آزمایش جفت شدن بین دو متغیر Y و X با توجه به SHهای آنها استفاده می‌شود. در اینجا، آماره q درجه SH یک متغیر Y و توان تعیین کننده یک متغیر توضیحی X از Y را اندازه گیری می کند و به صورت زیر محاسبه می شود:

q=1-∑ساعت=1Lنساعتσساعت2نσ2

جایی که ساعت=1،…،Lلایه های ویژگی Y است، نساعتو نتعداد واحدها در لایه هستند ساعتو کل منطقه به ترتیب و σساعت2و σ2به ترتیب واریانس Y برای لایه h و کل مساحت است. دامنه q [0، 1] است و وقتی مقدار q بزرگتر باشد، توانایی X برای توضیح Y قوی تر است.

3.4.2. آشکارساز تعاملی
آشکارساز تعامل نشان می دهد که آیا عوامل خطر ایکس1و ایکس2تأثیر تعاملی بر روی متغیر پاسخ Y دارند، یعنی ارزیابی اینکه آیا عوامل ایکس1و ایکس2وقتی با هم عمل می کنند یا اینکه آیا این عوامل مستقل هستند، توان تعیین کننده در Y را افزایش یا کاهش می دهد. روش های خاص به شرح زیر است:
(1) محاسبه کنید  qارزش دو عامل ایکس1و ایکس2بدست آوردن q(ایکس1)و q(ایکس2).
(2) دو لایه را روی هم قرار دهید ایکس1و  ایکس2برای دریافت یک لایه جدید ایکس1∩ ایکس2.
(3) محاسبه کنید qارزش لایه جدید ایکس1∩ ایکس2بدست آوردن q(ایکس1∩ ایکس2).
(4) مقایسه کنید q(ایکس1)و q(ایکس2)و q(ایکس1∩ ایکس2).

4. نتایج

ارزش احساسات توییت‌ها را در فیلیپین در طول طوفان هایان محاسبه کنید و یک تحلیل زمانی و مکانی احساسات عمومی انجام دهید، که می‌تواند برای منعکس کردن روند تغییرات احساسات و توزیع فضایی احساسات در بین مردم فیلیپینی استفاده شود. برای روند تغییرات احساسات عمومی، BTM برای طبقه بندی توییت ها برای تجزیه و تحلیل دلایل تغییرات احساسات، و برای تجزیه و تحلیل تفاوت های موضوعی بین توییت های مثبت و منفی استفاده می شود. برای تفاوت در توزیع احساسات عمومی، آشکارساز جغرافیایی برای اندازه‌گیری عوامل تأثیرگذار آن استفاده می‌شود.

4.1. تحلیل زمانی و مکانی احساسات عمومی

4.1.1. تکامل زمانی احساسات عمومی

ما از TextBlob برای محاسبه ارزش احساسات هر توییت از 7 نوامبر 2013 تا 15 نوامبر 2013 استفاده می کنیم و نمودار سری زمانی ترسیم می کنیم، همانطور که در شکل 3 نشان داده شده است.. در طول طوفان هایان، میانگین ارزش روزانه احساسات مردم در توییتر بیشتر از 0 است، یعنی مثبت است. 7 نوامبر بالاترین نقطه احساسات (0.30) است. قبل از 7 نوامبر مرحله آماده سازی قبل از فاجعه است. مناطق مختلف فیلیپین سیگنال‌های هشدار طوفان صادر کردند و مردم در توییتر بحث‌های گسترده‌ای در مورد دفاع و آمادگی برای طوفان هایان داشتند. در 8 نوامبر، طوفان هایان به خشکی رسید. پس از آن، مردم تحت تأثیر طوفان هایان قرار گرفتند و ارزش احساسات آنها شروع به کاهش کرد تا اینکه در 10 نوامبر به کمترین حد خود (0.11) رسید. در ساعت 10 صبح این روز، کمیسیون توسعه و اصلاحات ملی یک تیم مدیریت فنی برگزار کرد. نشست و کنفرانس مطبوعاتی امدادرسانی به بلایا به سرعت در حال انجام بود و احساسات مردم شروع به بالا رفتن کرد.
4.1.2. توزیع فضایی احساسات عمومی
توییت ها اطلاعات طول و عرض جغرافیایی کاربر را دارند. با توجه به اطلاعات موقعیت مکانی کاربر، مقدار احساسات برای شمارش مقدار میانگین احساسات هر استان قرار می گیرد و تصویرسازی فضایی مطابق شکل 4 انجام می شود.. در طول طوفان هایان، احساسات عمومی عمومی در فیلیپین در جنوب پایین، در شمال بالا، در شرق کم و در غرب بالا بود. طوفان هایان به جزیره لیته، جزیره‌ای ساحلی در بخش مرکزی فیلیپین رسید. حداکثر نیروی باد هنگام فرود 75 متر بر ثانیه بود و سپس به سمت شمال غربی حرکت کرد در حالی که باد به تدریج ضعیف شد. این احساسات در نزدیکی نقطه فرود طوفان لیت که 0.102 است، پایین بود. به طور مشابه، احساسات عمومی در مناطق نزدیک به مسیر طوفان نسبتاً کم بود.

4.2. تحلیل موضوعی احساسات عمومی

4.2.1. سیر تحول موضوعات عمومی

از طریق BTM، 12 موضوع و 20 کلمه برتر با بیشترین احتمال وقوع در هر مبحث را به دست آوردیم. این کلمات می تواند محتوای کلی این موضوع را توصیف کند. از آنجایی که برخی از تم ها محتوای مشابهی را توصیف می کنند، ما به صورت دستی این مضامین را ادغام می کنیم و در نهایت پنج دسته وضعیت فاجعه، بازسازی، دعا، تقاضا و موارد دیگر را به دست می آوریم، همانطور که در جدول A2 نشان داده شده است.
با شمارش تعداد توییت ها در مورد موضوعات مختلف در واحد روز، تغییرات روزانه در موضوعات عمومی از 5 نوامبر تا 15 نوامبر، همانطور که در شکل 5 نشان داده شده است، به دست می آید . مطابق شکل 5 ، برخورد طوفان هایان را می توان تقریباً به چهار مرحله تقسیم کرد. از 5 نوامبر تا 7 نوامبر “مرحله هشدار اولیه” است که در آن سیگنال های هشدار طوفان در مناطق مختلف صادر شد و اطلاعات مربوط به فاجعه منتشر شد. در همان زمان، مردم شروع به دعا برای ایمنی و آماده سازی اقدامات مربوطه واکنش در بلایا کردند. در شکل 3، احساسات عمومی در این مرحله به تدریج افزایش یافت. طوفان در 8 نوامبر فرود آمد و تعداد توییت ها به اوج خود رسید. پس از آن، طوفان شروع به تأثیرگذاری بر فیلیپین کرد، که نشان دهنده “مرحله ضربه” است. در این مرحله، تعداد توییت‌های «وضعیت فاجعه» و «دعا» کاهش یافت، اما همچنان بیشترین سهم را به خود اختصاص داد و به تدریج اطلاعات مربوط به «نجات» افزایش یافت. به همین ترتیب، در این مرحله، مردم تحت تأثیر طوفان قرار گرفتند و احساسات عمومی به میزان قابل توجهی کاهش یافت. 11 نوامبر تا 13 نوامبر “مرحله اضطراری” است، که در آن امدادرسانی به بلایا در حال انجام بود و توییت های “Rescue” به سرعت بالا رفت و در سطح بالایی باقی ماند. احساسات عمومی نیز شروع به افزایش کرد. پس از 13 نوامبر، یعنی تقریباً یک هفته پس از فاجعه، تعداد توییت های مربوط به “بازسازی” در تعداد معینی باقی ماند.
4.2.2. موضوعات عمومی تحت احساسات مختلف
با ارزش احساسات = 0 به عنوان مرز، توییت ها به دو دسته مثبت و منفی تقسیم می شوند. ما توییت‌های مثبت و توییت‌های منفی را جداگانه طبقه‌بندی می‌کنیم تا تفاوت‌های محتوای بحث عمومی را تحت احساسات مختلف مشاهده کنیم.
از BTM برای طبقه بندی توییت های احساسات مثبت و توییت های احساسات منفی به طور جداگانه استفاده کنید. موضوعات توییت های مثبت به 5 دسته تقسیم می شوند، به طور خاص، “تعامل اطلاعاتی”، “نجات”، “آماده سازی لوازم”، “وضعیت فاجعه” و “دعا کردن”. توییت‌های منفی نیز به پنج دسته طبقه‌بندی می‌شوند که عبارت‌اند از: «وضعیت فاجعه»، «درخواست نجات»، «نجات بیرونی»، «تأثیر ترافیک» و «دعا کردن».
همانطور که در شکل 6 نشان داده شده است ، در توییت های مثبت، توجه افراد به موضوعات به شرح زیر رتبه بندی شده است: وضعیت فاجعه (30%) > آماده سازی لوازم (28%) > نجات (19%) > دعا (17%) > تعامل اطلاعاتی (6) ٪. در توییت های منفی، توجه افراد به موضوعات به شرح زیر رتبه بندی می شود: وضعیت فاجعه (30%) > دعا (28%) > درخواست نجات (27%) > نجات خارج (10%) > تاثیر ترافیک (5%).
در میان توئیت‌های مثبت، ارزش احساسی آماده‌سازی منابع بالاترین (0.42) است که نشان می‌دهد مردم به طور فعال به بلایا پاسخ می‌دهند و مواد را آماده می‌کنند. دومین ارزش احساسی بالاتر، دعا (0.38) بود، جایی که مردم برای ایمنی خود یا دیگران دعا می کردند. ارزش احساسات تعامل اطلاعات 0.35 است. قبل و در طول طوفان هایان، دولت، نهادها و مردم از توییتر برای تبادل اطلاعات و انتشار اخباری مانند خطوط ویژه نجات، وب سایت های جمع آوری کمک مالی و آدرس های نجات استفاده می کردند که بسیار فعال بودند. در میان توئیت‌های منفی، کمترین ارزش احساسات مربوط به دعا (-0.37) و به دنبال آن وضعیت فاجعه (-0.24) است که نشان می‌دهد مردم در مورد خسارت ناشی از طوفان هایان بسیار نگران بودند.

4.3. عوامل موثر بر ارزش احساسات

در طول یک فاجعه، عوامل مختلفی وجود دارد که بر احساسات عمومی تأثیر می گذارد. ما عوامل موثر را از چهار جنبه فاجعه، اقتصاد، جامعه و فرهنگ مورد بحث قرار می دهیم. همانطور که در جدول 3 نشان داده شده است ، ما هفت شاخص خاص را برای نشان دادن این چهار جنبه انتخاب کردیم. الگوی فضایی این شاخص ها در شکل 7 نشان داده شده است .

4.3.1. نتایج تشخیص فاکتور

نتایج تشخیص عامل توانایی تفسیری عوامل کاندید را برای ارزش کلی احساسات نشان می دهد. همانطور که در شکل 8 نشان داده شده است، TN (تعداد توییت ها، q = 0.32) دارای بالاترین مقدار q و قوی ترین قدرت تعیین کننده است که نشان می دهد TN عامل غالب است. تعداد توییت ها نشان دهنده تمایل افراد به بیان است. وقتی توییت‌های بیشتری وجود دارد، میل به بیان قوی‌تر می‌شود و احساسات غنی‌تر می‌شوند. POP (جمعیت، q = 0.18) و YMR (نسبت جمعیت جوان و میانسال، q = 0.17) از TN پیروی می کنند. ساختار جمعیتی جامعه دو تأثیر بر احساسات دارد. اول اینکه جمعیت جوان و میانسال کاربر اصلی شبکه های اجتماعی هستند و بیشتر توییت های توییتر توسط آنها ارسال می شود. دوم، جمعیت جوان و میانسال ستون فقرات مدیریت اضطراری بلایای طبیعی هستند و فعال ترین آنها در پاسخ به تماس های دولت و پاسخگویی به بلایا هستند. AF (تعداد افراد آسیب دیده، q = 0.16) تأثیر بلایا را منعکس می کند. وضعیت فاجعه آمیز جمعیت بر احساسات مردم تأثیر می گذارد. علاوه بر این، تولید ناخالص داخلی (تولید ناخالص داخلی، q = 0.08)، DIS (فاصله تا مرکز طوفان، q = 0.07)، و LR (نرخ سواد، q = 0.07) نیز بر احساسات عمومی تأثیر می‌گذارند، اما تأثیر نسبتاً کم است.
4.3.2. نتایج تشخیص تعاملی
تشخیص تعامل ارزیابی می کند که آیا اثر ترکیبی دو عامل بر تفسیر احساسات کلی تأثیر می گذارد یا خیر. شکل 9نتایج تشخیص تعامل را نشان می دهد. نتایج نشان می‌دهد که به جز تعاملات بین DIS-LR، GDP-YMR، GDP-AF، YMR-AF و LR-AF که مستقل هستند، تعامل بین سایر عوامل باعث افزایش قدرت تعیین‌کننده بر احساسات می‌شود. تعامل TN-POP قوی ترین توانایی را برای توضیح احساسات دارد و پس از آن TN-YMR که به ترتیب 0.51 و 0.47 هستند. تحت تأثیر مشترک عوامل فاجعه و عوامل اجتماعی، تفاوت فضایی در احساسات آشکارتر خواهد بود. TN-AF، TN-GDP، TN-LR، AF-POP و DIS-TN نیز قابلیت های تفسیری نسبتا بالایی برای احساسات دارند. این نشان می دهد که عوامل فاجعه به طور قابل توجهی قابلیت های تفسیری خود را در تعامل با عوامل دیگر افزایش می دهند، در حالی که تعامل بین جامعه، اقتصاد و فرهنگ آنچنان آشکار نیست.

5. بحث

در این مطالعه، ما الگوهای زمانی و مکانی احساسات عمومی را در طول طوفان هایان تجزیه و تحلیل کردیم و تفاوت‌های محتوا را تحت عواطف و عوامل محرک احساسات مختلف بررسی کردیم.
همانطور که انور هریدوی و همکاران بیان کردند. [ 46 ]، داده های رسانه های اجتماعی یکی از موثرترین و دقیق ترین شاخص ها برای مطالعه احساسات عمومی است. پس از فاجعه، توییتر پر از نظرات و نظرات مردم بود و ما احساسات عمومی را بر اساس این داده ها تجزیه و تحلیل کردیم.
TextBlob برای محاسبه مقادیر احساسات خاص استفاده می شود و داده های کمی می توانند روند تغییرات احساسات را بهتر منعکس کنند. از طریق طبقه‌بندی موضوع و ترسیم منحنی تغییرات روزانه، متوجه شدیم که موضوعات مورد بحث عموم پس از فاجعه عمدتاً به چهار دسته «تقاضا»، «وضعیت فاجعه»، «دعا کردن» و «بازسازی» تقسیم می‌شوند. تغییر ویژگی های این موضوعات منعکس کننده مراحل مختلف فاجعه است که اساساً مطابق با پنج مرحله اصلی چرخه فاجعه است که توسط Debarati و Michel [ 47 ] تعریف شده است.] یعنی مرحله هشدار اولیه، مرحله ضربه، مرحله اضطراری، مرحله بازیابی و مرحله بازسازی. تکامل موضوعات عمومی با تغییرات در احساسات مطابقت دارد و می تواند توسط یکدیگر توضیح داده شود.
به طور مشابه، ما توییت‌های مثبت و منفی را به طور جداگانه طبقه‌بندی کردیم تا تفاوت‌های محتوایی که مردم در حالت‌های احساسات مختلف به آن توجه می‌کنند را بررسی کنیم. در میان عواطف مثبت و منفی، مردم بیشتر نگران «وضعیت فاجعه» هستند. پس از وقوع یک فاجعه، مردم طیف وسیعی از بحث ها را در مورد وضعیت فاجعه دارند. این بحث ها را می توان برای پایش بلایا و ارزیابی فاجعه استفاده کرد [ 19 ، 39 ].
بسیاری از محققان از توییتر برای مطالعه توفان هایان استفاده می کنند. تاکاهاشی و همکاران [ 48 ] ​​اطلاعات توییتر را از طریق سه هشتگ به دست آورد، موضوعات توییت‌ها را قبل، در حین و پس از طوفان هایان تجزیه و تحلیل کرد و دریافت که گزارش اطلاعات دست دوم، بزرگداشت و هماهنگی کار امدادرسانی در بلایا موضوعات اصلی بودند. دیوید و همکاران [ 49 ] تکامل زمانی بحث در مورد طوفان هایان را در توییتر نشان داد و دریافت که توییت‌های مربوط به طوفان و کمک‌رسانی به بلایا غالب بودند. با این حال، این دو مطالعه از کدنویسی دستی برای شناسایی موضوع توییت ها استفاده می کنند که کارآمد نیست. تحقیقات ما از BTM و TextBlob برای استخراج موضوعات و احساسات استفاده می کند. پس از بازرسی دستی ( جدول A3 و جدول A4، ثابت می کند که BTM می تواند به طور موثر موضوع توییت ها را شناسایی کند و Textblob می تواند به سرعت احساسات توییت ها را شناسایی کند.
به طور غیرمنتظره، تحت احساسات مثبت و منفی، برخی از موضوعات توییت ها مشابه هستند، از جمله “وضعیت فاجعه”، “دعا کردن” و “نجات”. جدول 3 توئیت های مثبت و منفی این سه نوع موضوع را فهرست می کند.
(1) وضعیت فاجعه: در توییت‌های منفی، مردم اطلاعات و تأثیر طوفان هایان را معمولاً با احساسات منفی توصیف می‌کنند. در توییت‌های مثبت، مردم معمولاً از جملات غیر احساسی برای بیان وضعیت فاجعه استفاده می‌کنند و وضعیت فعلی خود را خوش‌بینانه توصیف می‌کنند، به عنوان مثال، «از ساعت 8 صبح، بارندگی متوسط ​​است، اما بادها بسیار شدید هستند، ما هنوز برق داریم، امیدواریم هر 1 بار دیگر بی خطر”. این نوع توییت معمولاً احساسات مثبتی دارد.
(2) دعا کردن: در توییت‌های مثبت، مردم عمدتاً به طور مستقیم برکات خود را بیان می‌کنند، به عنوان مثال، “امیدوارم همه در امنیت باشیم” و “من معتقدم که خانه ما قوی است”. در توئیت‌های منفی، مردم ابتدا فاجعه را بد و وحشتناک توصیف می‌کنند و سپس برکاتی را بیان می‌کنند، مانند «توفان ویرانگر برای ویزایا دعا کن»، «چیزهایی که در فیلیپین اتفاق می‌افتد بسیار ویران‌کننده است صبر کن و ادامه دهیم». در مورد دعا کردن». این نوع توییت نه تنها مربوط به دعا است، بلکه حاوی اطلاعات فاجعه است که منجر به ایجاد احساسات منفی در توییت می شود.
(3) نجات: در توییت‌های مثبت، بیشتر امدادرسانی توزیع تجهیزات امدادی، تخلیه و غیره است، در حالی که در توییت‌های منفی، افراد فاجعه و وضعیت فعلی را توصیف می‌کنند و سپس درخواست نجات می‌کنند، مانند «هشدار MACUPA LEYTE، نیاز فوری به غذا و آب دارد، هیچ امداد و نجاتی وجود ندارد و مردم بیمار می شوند.
در مدیریت اضطراری بلایا، درک موضوعاتی که مردم نگران آن هستند، هدایت موضوعات منفی، حل مشکلات مرتبط، و درک وضعیت و روند احساسات مردم برای حفظ نظم اجتماعی در بلایا بسیار مهم است.
پس از تجزیه و تحلیل بیشتر محتوای توییت‌ها، متوجه شدیم که در مقایسه با توییت‌های مثبت، توییت‌هایی با احساسات منفی بهتر می‌توانند وضعیت افراد را منعکس کنند و باید در مدیریت اضطراری بلایا بیشتر مورد توجه قرار گیرند. به عنوان مثال، در توییت‌های منفی، تقاضا برای تدارکات امدادی که مردم ذکر می‌کنند معمولاً حل‌نشده و فوری است و اثرات فاجعه‌ای که مردم توصیف می‌کنند اغلب شدیدتر از مواردی است که در توییت‌های مثبت وجود دارد. بنابراین در نجات بلایا، توزیع تجهیزات امدادی و بازیابی پس از فاجعه، باید به توییت‌های منفی بیشتر توجه شود، اطلاعات مربوطه در توییت‌ها کشف شود و به مناطقی که توییت‌های منفی متمرکز شده‌اند توجه بیشتری شود. . بای و یو [ 3] چارچوبی را بر اساس پیش بینی احساسات منفی جمعیت ایجاد کرد که می تواند رویدادهای حادثه را در یک موقعیت پس از فاجعه کشف کند.
مطالعات قبلی نشان داده‌اند که ویژگی‌های فضایی عواطف عمومی با عواملی مانند موقعیت جغرافیایی و شدت فاجعه در ارتباط است و یک الگوی تجمعی از احساسات مثبت و منفی وجود دارد [ 27 ، 50 ، 51 ]. وانگ و تیلور [ 52 ] یک تحلیل رگرسیون خطی بر روی احساسات و شدت زلزله انجام دادند و یک همبستگی منفی بین سطح احساسی جمعی و شدت زلزله را آشکار کردند، اما آنها رابطه بین سطح احساسات و سایر عوامل را بررسی نکردند. لین [ 53] جوامعی را با ویژگی‌های احساسات نسبتاً پایدار شناسایی کرد و همبستگی بین احساسات آنها و ویژگی‌های جمعیت شناختی جامعه را تحلیل کرد. متفاوت از مطالعات قبلی، استفاده از Geodetecor برای تجزیه و تحلیل احساسات دارای سه مزیت است: (1) تحقیق ما از چهار جنبه اجتماعی، اقتصاد، فرهنگ و بلایا و هفت شاخص خاص برای کشف عوامل تأثیرگذار احساسات استفاده می کند. (2) Geodetecor می تواند هم داده های عددی و هم داده های کیفی را شناسایی کند، که به ما کمک می کند تا داده های اجتماعی را در نظر بگیریم. (3) احساسات عمومی معمولاً نتیجه عوامل مختلفی است. بنابراین، استفاده از ژئودتکتور می تواند به ما در تجزیه و تحلیل تعامل بین دو عامل کمک کند.
نتایج تحلیل احساسات مربوط به داده های توییتر بود. اگرچه Twitter API تمام داده های Twitter را به دست نمی آورد، Twitter API در واقع برای تحقیق مناسب است [ 54 ]. توییتر به کاربران این امکان را می دهد تا با استفاده از هشتگ های خاص، به سرعت اطلاعات را به اشتراک بگذارند و با سایر کاربران تعامل کنند. از این هشتگ ها می توان برای جستجوی موضوعات خاص استفاده کرد. کسب اطلاعات مبتنی بر کلمه کلیدی کاملاً مناسب نیست زیرا ارتباط محتوای توییت را با یک موقعیت خاص ارزیابی نمی کند [ 55 ]]. این که آیا کلمات کلیدی می توانند رویدادها را نشان دهند، خاص و جامع بودن آنها مستقیماً بر اثربخشی جمع آوری داده ها تأثیر می گذارد. به طور کلی، محققان کلمات کلیدی را بر اساس تجربه یا نظرات متخصص انتخاب می کنند و انتخاب کلید واژه به صورت دستی علت اصلی سوگیری محتوا است [ 56 ]. در این تحقیق هشتگ های مربوط به طوفان هایان بر اساس روش غربالگری هشتگ انتخاب شدند. از یک طرف، توییت‌ها را می‌توان تا حد امکان جامع به دست آورد و انحراف محتوا ناشی از انتخاب دستی را کاهش داد. از سوی دیگر، در هنگام بلایا، رسانه های اجتماعی همه چیز در مورد بلایا نیست. از طریق غربالگری هشتگ، فقط می توان داده های مربوط به موارد هدف را به دست آورد. تجزیه و تحلیل چنین توییت هایی می تواند احساسات مردم را در مورد بلایا به طور واقعی منعکس کند.
این مطالعه دارای محدودیت‌های خاصی در تحلیل احساسات و تشخیص عوامل مؤثر است. در حال حاضر، ما فقط قطبیت توییت‌ها را بدون تقسیم‌بندی دقیق احساسات تقسیم می‌کنیم، که ممکن است منجر به توصیف ناکافی احساسات شود. در انتخاب عوامل تأثیرگذار، هفت عامل خاص برای بازنمایی چهار جنبه جامعه، اقتصاد، فرهنگ و بلایا انتخاب شدند. در تحقیقات آتی می توان عوامل بیشتری را در نظر گرفت. علاوه بر این، از آنجایی که زبان های رسمی فیلیپین فیلیپینی و انگلیسی است، چندین زبان در توییت ها وجود دارد. برای تسهیل پردازش و درک، توییت های فیلیپینی ابتدا در طول پیش پردازش داده ها به انگلیسی ترجمه می شوند. با این حال، شاید به دلیل اشتباهات نوشتاری یا برخی استفاده های منحصر به فرد، معنای برخی توییت ها (1. 4٪ از کل توییت ها) را نمی توان به طور دقیق درک کرد، بنابراین ترجمه نشده است، که ممکن است بر اثرات تجزیه و تحلیل احساسات و طبقه بندی موضوع تأثیر بگذارد. در تحقیقات آتی می توان تحلیل انواع مختلف زبان ها را در نظر گرفت.

6. نتیجه گیری

این مطالعه وضعیت احساسات مردم را در طول طوفان هایان تجزیه و تحلیل می‌کند، روند تغییر موضوعات بحث عمومی را در مراحل مختلف پس از فاجعه بررسی می‌کند، و تفاوت‌های محتوای بحث مردم را تحت احساسات مختلف تحلیل می‌کند. در طول طوفان هایان، احساسات عمومی مردم مثبت بود و تحول احساسات و موضوعات منعکس کننده مراحل مختلف فاجعه بود. در مقایسه با توییت‌های مثبت، توییت‌های منفی حاوی اطلاعات فاجعه‌های جدی‌تر و اطلاعات تقاضای فوری‌تر هستند و در مدیریت اضطراری بلایا ارزش بیشتری برای توجه دارند. علاوه بر این، ما احساسات عمومی را در فضا تجسم کردیم، الگوی فضایی آن را تجزیه و تحلیل کردیم، عوامل تأثیرگذار تفاوت‌های فضایی را بررسی کردیم، و توانایی توضیحی این عوامل را به صورت کمی توصیف کردیم. نتایج نشان می‌دهد که تعداد توییت‌ها، جمعیت و نسبت جمعیت جوان و میانسال عوامل غالب در تفاوت‌های فضایی احساسات هستند. در عین حال، تعامل بین عوامل فاجعه با جامعه، اقتصاد و فرهنگ بارزترین است و توانایی تبیین احساسات در طول تعامل به طور قابل توجهی افزایش می یابد.
تحقیق ما داده‌های احساسات قابل سنجشی را ارائه می‌کند که به ارزیابی بهتر وضعیت احساسات عمومی کمک می‌کند. تجزیه و تحلیل موضوعات می تواند به سرعت محتوای عمومی و وضعیت توسعه را توضیح دهد، که به دولت کمک می کند تا به طور موثر به احساسات عمومی پاسخ دهد، موضوعات را هدایت کند و گسترش احساسات منفی را کنترل کند. تجزیه و تحلیل عوامل تأثیرگذار می تواند برای آشکار کردن مکانیسم محرک تفاوت های احساسات استفاده شود. ما امیدواریم در آینده موارد بیشتری را در بلایا، امنیت عمومی و اپیدمی ها تجزیه و تحلیل کنیم و برای دستیابی به نتایج کلی تر، عوامل مؤثرتری را در نظر بگیریم.

منابع

  1. کائو، ایکس. ژانگ، ایکس. لیو، ال. نیش، ک. دوان، اف. لی، اس. تجزیه و تحلیل افکار عمومی در مورد شرایط اضطراری بر اساس سطح پاسخ. چین مناگ. علمی 2014 ، 22 ، 82-89. [ Google Scholar ]
  2. وانگ، آر. ژانگ، ای. لی، تی. تحقیق در مورد اقدامات متقابل افکار عمومی از حوادث بر اساس Weibo. هوشمند علمی 2016 ، 34 ، 94-98. [ Google Scholar ]
  3. بای، اچ. یو، جی. رویکرد مبتنی بر Weibo به انفورماتیک فاجعه: رویدادها در وضعیت پس از فاجعه از طریق تجزیه و تحلیل احساسات منفی متن Weibo نظارت می کنند. نات. خطرات 2016 ، 83 ، 1177-1196. [ Google Scholar ] [ CrossRef ]
  4. هابیل، اف. هاف، سی. هوبن، جی.-جی. استرونکمن، آر. Tao, K. Twitcident: مبارزه با آتش با اطلاعات از جریان های وب اجتماعی. در مجموعه مقالات WWW’12-مجموعه مجموعه مقالات بیست و یکمین کنفرانس سالانه در وب جهانی، لیون، فرانسه، 16-20 آوریل 2012; صص 305-308. [ Google Scholar ]
  5. الکساندر، DE رسانه های اجتماعی در کاهش خطر بلایا و مدیریت بحران. علمی مهندس اخلاق 2014 ، 20 ، 717-733. [ Google Scholar ] [ CrossRef ]
  6. کامرون، ام. پاور، آر. رابینسون، بی. یین، جی. آگاهی از وضعیت اضطراری از توییتر برای مدیریت بحران. در مجموعه مقالات بیست و یکمین کنفرانس وب جهانی 2012، لیون، فرانسه، 16 تا 20 آوریل 2012. [ Google Scholar ]
  7. چاودری، اس. عمران، م. اصغر، محمدرضا; عامر یحیی، س. Castillo, C. Tweet4act: استفاده از نمایه‌های خاص حادثه برای طبقه‌بندی پیام‌های مرتبط با بحران. در مجموعه مقالات دهمین کنفرانس بین المللی سیستم های اطلاعاتی برای پاسخگویی و مدیریت بحران، بادن-بادن، آلمان، 19 تا 22 مه 2013. [ Google Scholar ]
  8. لاچلان، کالیفرنیا؛ اسپنس، روابط عمومی؛ Lin, X. بیان آگاهی از خطر و نگرانی از طریق توییتر: در مورد سودمندی استفاده از رسانه به عنوان نشانه ای از نیازهای مخاطب. محاسبه کنید. هوم رفتار 2014 ، 35 ، 554-559. [ Google Scholar ] [ CrossRef ]
  9. لیو، BF; فراوستینو، جی دی. Jin, Y. استفاده از رسانه های اجتماعی در هنگام بلایا: چگونه فرم اطلاعات و منبع بر پاسخ های رفتاری مورد نظر تأثیر می گذارد. اشتراک. Res. 2015 ، 43 ، 626-646. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. مارتینز روخاس، ام. ماریا، پی اف. روبیو-رومرو، جی سی توییتر به عنوان ابزاری برای مدیریت و تجزیه و تحلیل شرایط اضطراری: مروری بر ادبیات سیستماتیک بین المللی J. Inf. مدیریت 2018 ، 43 ، 196-208. [ Google Scholar ] [ CrossRef ]
  11. کنت، جی دی. Capello، HT الگوهای فضایی و شاخص های جمعیت شناختی محتوای موثر رسانه های اجتماعی در طی آتش سوزی دره اسب اسبی در سال 2012. Cartogr. Geogr. Inf. علمی 2013 ، 40 ، 78-89. [ Google Scholar ] [ CrossRef ]
  12. رابینسون، بی. پاور، آر. کامرون، ام. آشکارساز زلزله حساس توییتر. در مجموعه مقالات بیست و دومین کنفرانس بین المللی وب جهانی، ریودوژانیرو، برزیل، 13 تا 17 مه 2013; صص 999-1002. [ Google Scholar ]
  13. وانگ، ز. Ye, X. تجزیه و تحلیل رسانه های اجتماعی برای مدیریت بلایای طبیعی. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 49-72. [ Google Scholar ] [ CrossRef ]
  14. سروون، جی. ساوا، ای. هوانگ، Q. اشنبله، ای. هریسون، جی. واترز، ن. استفاده از توییتر برای جمع‌آوری داده‌های سنجش از راه دور و ارزیابی خسارت: مطالعه موردی سیل بولدر 2013. بین المللی J. Remote Sens. 2016 ، 37 ، 100-124. [ Google Scholar ] [ CrossRef ]
  15. کریواشیو، ی. چن، اچ. اوبرادویچ، ن. مورو، ای. ون هنریک، پی. فاولر، جی. Cebrian, M. ارزیابی سریع آسیب بلایا با استفاده از فعالیت رسانه های اجتماعی. علمی Adv. 2016 , 2 , e1500779. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. یتس، دی. Paquette، S. مدیریت دانش اضطراری و فناوری های رسانه های اجتماعی: مطالعه موردی زلزله هائیتی 2010. بین المللی J. Inf. مدیریت 2011 ، 31 ، 6-13. [ Google Scholar ] [ CrossRef ]
  17. اولتئانو، ا. کاستیو، سی. دیاز، اف. Vieweg, S. CrisisLex: واژگانی برای جمع آوری و فیلتر کردن ارتباطات میکروبلاگ در بحران ها. در مجموعه مقالات کنفرانس بین المللی AAAI در وب و رسانه های اجتماعی، Ann Arbor، MI، ایالات متحده؛ 2014; صص 376-385. [ Google Scholar ]
  18. ناظر، TH; ژو، جی. جی، ی. لیو، اچ. پاسخ هوشمند به بلایا از طریق تحلیل رسانه های اجتماعی یک نظرسنجی. ACM SIGKDD Explor. Newsl. 2017 ، 19 ، 46-59. [ Google Scholar ] [ CrossRef ]
  19. فورینگر، جی. درانش، دی. کرایبیچ، اچ. شروتر، ک. رسانه های اجتماعی به عنوان منبع اطلاعاتی برای نقشه برداری سریع طغیان سیل. نات. سیستم خطرات زمین. علمی 2015 ، 15 ، 2725-2738. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. عمران، م. کاستیو، سی. لوکاس، جی. مایر، پی. Rogstadius، J. هماهنگی هوش انسان و ماشین برای طبقه بندی ارتباطات میکروبلاگ در بحران ها. در مجموعه مقالات یازدهمین کنفرانس بین المللی ISCRAM، دانشگاه پارک، PA، ایالات متحده آمریکا. 2014. [ Google Scholar ]
  21. پوروهیت، اچ. کاستیو، سی. دیاز، اف. شث، ا. Meier, P. Emergency-Relief Coordination on Social Media: Automatically Matching Resource Requests and Offers. اولین دوشنبه 2014 ، 19 ، 1-6. [ Google Scholar ] [ CrossRef ]
  22. وانگ، ی. لی، اچ. وانگ، تی. زو، جی. استخراج و تجزیه و تحلیل اطلاعات اضطراری در رویدادهای ناگهانی بر اساس رسانه های اجتماعی. Geomat. Inf. علمی دانشگاه ووهان 2016 ، 41 ، 290-297. [ Google Scholar ] [ CrossRef ]
  23. ژانگ، تی. شن، اس. چنگ، سی. سو، ک. ژانگ، ایکس. یک چارچوب مبتنی بر مدل موضوعی برای شناسایی توزیع تقاضا برای تدارکات امدادی با استفاده از داده های رسانه های اجتماعی. بین المللی جی. جئوگر. Inf. علمی 2021 ، 10 ، 1-22. [ Google Scholar ] [ CrossRef ]
  24. لیگوتوم، سی. Orio، JV; راماچو، DAM; مونته نگرو، سی. Oco, N. استفاده از مدل‌سازی موضوع برای درک توییت‌های مرتبط با طوفان. در مجموعه مقالات کنفرانس بین المللی 2016 در مورد پردازش زبان آسیایی (IALP)، تاینان، تایوان، 23 تا 26 نوامبر 2016. صص 362-365. [ Google Scholar ]
  25. ویلسون، تی. ویبی، جی. هافمن، پی. شناخت قطبیت زمینه ای: کاوش ویژگی ها برای تحلیل احساسات در سطح عبارت. محاسبه کنید. زبانشناس. 2009 ، 35 ، 399-433. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. تلوال، ام. باکلی، ک. پالتوگلو، جی. کای، دی. کاپاس، الف. تشخیص قدرت احساسات در متن غیررسمی کوتاه. مربا. Soc. Inf. علمی تکنولوژی 2010 ، 61 ، 2544-2558. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. نپالی، وی. Caragea، C.; Squiccirini، A. تاپیا، ا. Stehle، S. تجزیه و تحلیل احساسات در طول طوفان سندی در واکنش اضطراری. بین المللی J. کاهش خطر بلایا. 2017 ، 21 ، 213-222. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. نگی، ع. Stamberger, J. Crowd Sentiment Detection در هنگام بلایا و بحران. در مجموعه مقالات نهمین کنفرانس بین المللی ISCRAM، ونکوور، BC، کانادا؛ 2012. [ Google Scholar ]
  29. شولز، آ. پاولهایم، اچ. Schweizer, IJK A Fine-Grained Sentiment Approach for Detecting Crisis Related Microposts. در مجموعه مقالات دهمین کنفرانس بین المللی ISCRAM، بادن-بادن، آلمان، 19 تا 22 مه 2013. [ Google Scholar ]
  30. NDRRMC. گزارش نهایی اثرات طوفان Yolanda (Haiyan) ; NDRRMC: Quezon City، فیلیپین، 2014.
  31. نیکیتا، م. چنگ، سی. هشتگ های فاجعه در رسانه های اجتماعی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 204. [ Google Scholar ]
  32. ژانگ، جی. بله، س. قانون، ر. لی، ی. تأثیر دهان به دهان الکترونیکی بر محبوبیت آنلاین رستوران ها: مقایسه نظرات مصرف کنندگان و نظرات سردبیر. بین المللی جی. هاسپ. مدیریت 2010 ، 29 ، 694-700. [ Google Scholar ] [ CrossRef ]
  33. Bo, P. Opinion Mining And Sentiment Analysis (مبانی و روند (R) در بازیابی اطلاعات). پیدا شد. Trends Inf. Retr. 2008 ، 2 ، 1-135. [ Google Scholar ]
  34. فلدمن، آر. تکنیک ها و کاربردها برای تحلیل احساسات. اشتراک. ACM 2013 ، 56 ، 82-89. [ Google Scholar ] [ CrossRef ]
  35. Neviarouskaya، A.; پرندینگر، اچ. ایشیزوکا، ام. مدل تحلیل تأثیر: رویکرد مبتنی بر قانون جدید برای تأثیرگذاری بر حس از متن. بین المللی جی. نات. لنگ مهندس 2011 ، 17 ، 95-135. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. ولکووا، اس. ویلسون، تی. Yarowsky, D. Exploring Sentiment in Social Media: Bootstrapping Subjectivity Clues from Multilingual Twitter Streams. در مجموعه مقالات پنجاه و یکمین نشست سالانه انجمن زبانشناسی محاسباتی، صوفیه، بلغارستان، 4 تا 9 اوت 2013. [ Google Scholar ]
  37. Xu, L. ساخت هستی شناسی واژگان عاطفی. J. China Soc. علمی فنی Inf. 2008 ، 27 ، 180-185. [ Google Scholar ]
  38. Steven, L. TextBlob: Simplified Text Processing. در دسترس آنلاین: https://textblob.readthedocs.org/en/dev (در 12 مارس 2020 قابل دسترسی است).
  39. خان، ر. Urolagin، S. تجسم احساسات خطوط هوایی، اندازه گیری وفاداری مصرف کننده و پیش بینی با استفاده از داده های توییتر. بین المللی J. Adv. محاسبه کنید. علمی Appl. 2018 ، 9 ، 9. [ Google Scholar ] [ CrossRef ]
  40. میکو، ا. Micu، AE; گرو، م. Lixandroiu، RC تجزیه و تحلیل احساسات کاربر در رسانه های اجتماعی: مفاهیم برای استراتژی بازاریابی آنلاین. روانی علامت. 2017 ، 34 ، 1094-1100. [ Google Scholar ] [ CrossRef ]
  41. رضگویی، ع. فاهی، دی. اسمیت، آی. AffinityFinder: سیستمی برای استخراج روابط قرابت پنهان در توییتر با استفاده از تجزیه و تحلیل احساسات . IEEE: Piscataway Township, NJ, USA, 2016; ص 212-215. [ Google Scholar ]
  42. Wiebe, JM Tracking دیدگاه در روایت. محاسبه کنید. زبانشناس. 1994 ، 20 ، 233-287. [ Google Scholar ]
  43. یان، ایکس. گوا، جی. Lan, Y. مدل موضوعی دو ترم برای متون کوتاه. در مجموعه مقالات بیست و دومین کنفرانس بین المللی وب جهانی WWW، ریودوژانیرو، برزیل، 13 مه 2013; صص 45-56. [ Google Scholar ]
  44. سو، ک. چنگ، سی. نیکیتا، م. ژانگ، تی. کاربرد و مقایسه مدل موضوعی در شناسایی موضوعات پنهان از توییت‌های مرتبط با فاجعه. J. Geo-Inf. علمی 2019 ، 21 ، 1152-1160. [ Google Scholar ] [ CrossRef ]
  45. وانگ، جی. Xu, C. Geodetector: اصل و آینده نگر. Acta Geogr. گناه 2017 ، 72 ، 116-134. [ Google Scholar ]
  46. هریدوی، SAA; اکرام، MT; اسلام، ام اس; احمد، ف. رحمان، آر.ام، نظر کاوی توییتر را با استفاده از تحلیل احساسات بومی سازی کرد. تصمیم می گیرد. مقعدی 2015 ، 2 ، 8. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  47. دبراتی، گ.- س. Michel, FL سیستم های اطلاعاتی و نیازسنجی در بلایای طبیعی: رویکردی برای مدیریت بهتر امداد رسانی در بلایا بلایا 1986 ، 10 ، 232-237. [ Google Scholar ]
  48. تاکاهاشی، بی. Tandoc، EC; کارمایکل، سی. ارتباط در توییتر در طول یک فاجعه: تجزیه و تحلیل توییت ها در طول طوفان هایان در فیلیپین. محاسبه کنید. هوم رفتار 2015 ، 50 ، 392-398. [ Google Scholar ] [ CrossRef ]
  49. دیوید، سی سی; اونگ، جی سی. لگارا، توئیت EFT ابرطوفان هایان: عملکردهای در حال تکامل توییتر در طول و بعد از یک رویداد فاجعه. PLoS ONE 2016 , 11 , e0150190. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. برتراند، ک. بیالیک، م. ویردی، ک. گروس، آ. Bar-Yam، Y. احساسات در شهر نیویورک: یک نمای مکانی و زمانی با وضوح بالا. arXiv 2013 ، arXiv:1308.5010. [ Google Scholar ]
  51. چن، اس. مائو، جی. لی، جی. مک.؛ کائو، ی. کشف احساسات و الگوهای بازتوییت توییت‌های مرتبط با فاجعه از منظر مکانی-زمانی – مطالعه موردی طوفان هاروی. Telemat. به اطلاع رساندن. 2020 , 47 , 101326. [ Google Scholar ] [ CrossRef ]
  52. وانگ، ی. تیلور، جی. احساسات و تحرک انسانی در بلایای طبیعی: مطالعه ای مبتنی بر توییتر در مورد زلزله ناپا جنوبی 2014. نات. خطرات 2018 ، 92 ، 907-925. [ Google Scholar ] [ CrossRef ]
  53. لین، ی.- آر. ارزیابی تفکیک احساسات در جوامع شهری. ACM Int. Conf. Proc. سر. 2014 ، 2014 ، 1-8. [ Google Scholar ] [ CrossRef ]
  54. لیلوی، ف. رجبی فرد، ع. کلانتری، م. رویکرد چند عنصری به استنتاج موقعیت مکانی توییتر: موردی برای واکنش اضطراری. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 56. [ Google Scholar ] [ CrossRef ]
  55. لیلوی، ف. رجبی فرد، ع. کلانتری، م. ارزیابی ارتباط با رویداد پیام‌های توییتر برای واکنش اضطراری. Inf. روند. مدیریت 2017 ، 53 ، 266-280. [ Google Scholar ] [ CrossRef ]
  56. اولتئانو، ا. Vieweg، S. کاستیلو، سی. وقتی اتفاق غیرمنتظره ای رخ می دهد چه چیزی باید انتظار داشت: ارتباطات رسانه های اجتماعی در میان بحران ها. در مجموعه مقالات هجدهمین کنفرانس ACM در زمینه کار تعاونی و محاسبات اجتماعی با پشتیبانی رایانه، ونکوور، BC، کانادا، 14 تا 18 مارس 2015. صص 994-1009. [ Google Scholar ]
Ijgi 10 00299 g001 550
شکل 1. مسیر و سیگنال هشدار طوفان عمومی (PSWS) طوفان هایان در فیلیپین. هر چه مقدار PSWS بزرگتر باشد، سطح هشدار بالاتر است.
Ijgi 10 00299 g002 550
شکل 2. چارچوب تحقیق و گردش کار که انتخاب توییت، تجزیه و تحلیل احساسات، و تحلیل های زمانی و مکانی را توصیف می کند.
Ijgi 10 00299 g003 550
شکل 3. سری زمانی ارزش میانگین روزانه احساسات عمومی در طول طوفان هایان از 5 نوامبر 2013 تا 15 نوامبر 2013.
Ijgi 10 00299 g004 550
شکل 4. توزیع فضایی احساسات عمومی در طول طوفان هایان.
Ijgi 10 00299 g005 550
شکل 5. تغییرات روزانه در موضوع بحث عمومی از 5 نوامبر 2013 تا 15 نوامبر 2013.
Ijgi 10 00299 g006 550
شکل 6. نسبت موضوعات و رتبه بندی احساسات در توییت های مثبت و منفی ( a1 ) موضوعات توییت های مثبت ( a2 ) موضوعات توییت های منفی ( b1 ) رتبه بندی احساسات موضوعات توییت های مثبت ( b2 ) رتبه بندی احساسات موضوعات توییت های منفی.
Ijgi 10 00299 g007 550
شکل 7. الگوی فضایی 7 شاخص خاص. ( a )DIS ( ب ) AF ( ج ) TN ( d ) GDP ( e ) YMR ( f ) LR ( g ) POP.
Ijgi 10 00299 g008 550
شکل 8. نتایج تشخیص عامل.
Ijgi 10 00299 g009 550
شکل 9. نتایج تشخیص تعاملی. آبی نشان دهنده مقدار q یک عامل واحد و قرمز نشان دهنده مقدار q از تعامل دو عامل است.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید