خرابکاری نقشه‌کشی در عصر بازی‌های مبتنی بر مکان - مورد OpenStreetMap و Pokémon GO - هوش پیروزی

خلاصه

داده های نقشه تولید شده توسط کاربر به طور فزاینده ای توسط صنعت فناوری برای نقشه برداری پس زمینه، ناوبری و فراتر از آن استفاده می شود. به عنوان مثال، ادغام داده های OpenStreetMap (OSM) در گوشی های هوشمند و برنامه های کاربردی وب پرکاربرد، مانند Pokémon GO (PGO)، یک بازی محبوب گوشی های هوشمند واقعیت افزوده است. در نتیجه افزایش محبوبیت OSM، مخاطبان جهانی که از OSM از طریق برنامه‌های خارجی استفاده می‌کنند، مستقیماً در معرض ویرایش‌های مخربی قرار می‌گیرند که نشان دهنده خرابکاری نقشه‌کشی است. گزارش‌های متعددی از خرابکاری‌های ناپسند و یهودی‌ستیزانه در OSM طی سال‌ها در رسانه‌های عمومی منتشر شده است. این اخبار منفی مربوط به خرابکاری نقشه‌کشی اعتبار نقشه‌های ایجاد شده مشترک را تضعیف می‌کند. به طور مشابه، ارائه دهندگان نقشه تجاری (به عنوان مثال، Google Maps و Waze) همچنین از طریق مکانیسم جمع سپاری خود که ممکن است برای به روز نگه داشتن محصولات نقشه خود از آن استفاده کنند، مستعد تخریب کارتونی هستند. با استفاده از PGO به عنوان مثال، این تحقیق ویرایش های مضر در OSM را که از بازیکنان PGO سرچشمه می گیرد، تجزیه و تحلیل می کند. به طور خاص، این مقاله ویژگی‌های مکانی، زمانی و معنایی کارتو-وندالیسم PGO را تجزیه و تحلیل می‌کند و چگونگی مدیریت جامعه نقشه‌برداری با آن را مورد بحث قرار می‌دهد. یافته‌های ما نشان می‌دهد که اکثر ویرایش‌های مضر به سرعت کشف می‌شوند و جامعه به مرور زمان در شناسایی و رفع این ویرایش‌های مضر سریع‌تر می‌شود. کارتو وندالیسم مربوط به بازی در OSM یک فعالیت کوتاه مدت و پراکنده توسط افراد است، در حالی که وظیفه رفع خرابکاری به طور مداوم توسط یک گروه کاربر اختصاصی در جامعه OSM دنبال می شود.

کلید واژه ها:

اطلاعات جغرافیایی داوطلبانه OpenStreetMap ; وندالیسم ؛ پوکمون ; بازی های مبتنی بر مکان ؛ تجزیه و تحلیل رفتار کاربر

1. معرفی

1.1. انگیزه

پیشرفت‌ها در فناوری‌های اطلاعاتی و مکانی، تغییرات قابل‌توجهی را در ایجاد داده‌های مکانی و رفتار مصرفی در چند دهه اخیر ایجاد کرده است. مشارکت عمومی در ایجاد داده‌های جغرافیایی با تعدادی از اصطلاحات مختلف در ادبیات، مانند اطلاعات جغرافیایی داوطلبانه (VGI)، جمع‌سپاری، محتوای جغرافیایی تولید شده توسط کاربر (UGGC) و علم شهروندی، مشخص شده است. برخلاف ایجاد داده‌های مکانی سنتی، حداقل بخشی از این فرآیند به شهروندانی متکی است که دارای سطوح مختلف تخصص هستند. پلتفرم‌های جمع‌آوری داده‌های مبتنی بر جامعه نیز اغلب فاقد پروتکل‌ها و استانداردهای کیفیت هستند، به طوری که کیفیت داده‌های داده‌های مکانی مشارکتی ممکن است برای کاربران آن نگران‌کننده شود [ 1 ].

علیرغم این اشکال احتمالی، نقشه برداری مشارکتی محبوبیت پیدا کرده است. در سال‌های اخیر، چندین پلتفرم VGI پدید آمدند که بر اساس ایده داوطلبانه و اشتراک‌گذاری داده‌های باز ساخته شدند. ماهیت مشارکتی پروژه های نقشه برداری VGI به هر کسی اجازه می دهد تا از طریق افزودن، اصلاح یا حذف ویژگی های نقشه در ایجاد و بهبود پایگاه داده های فضایی مشارکت کند. این پروژه ها اغلب داده های خود را تحت مجوزهای باز منتشر می کنند که به اشخاص ثالث اجازه می دهد تا از این نقشه ها استفاده و ایجاد کنند. OpenStreetMap (OSM) یک پروژه VGI برجسته است [ 2 ] که تحت مجوز پایگاه داده باز (ODbL) منتشر شده است ( https://opendatacommons.org/licenses/odbl/index.html) که امکان استفاده از داده های آن توسط اشخاص ثالث را فراهم می کند. در سال‌های اخیر شرکت‌های فناوری اصلی شروع به استفاده از داده‌های OSM کرده‌اند. دو نمونه برجسته Snapchat و Pokémon GO (PGO) هستند که هر دو اخیراً به مصرف کنندگان داده OSM تبدیل شده اند. اسنپ چت 218 میلیون کاربر فعال روزانه را در سال 2019 گزارش کرده است [ 3 ]. PGO در طول اوج محبوبیت خود در سال 2016 هر روز توسط 28.5 میلیون بازیکن استفاده شد و همچنان توانست بیش از 10 میلیون کاربر ماهانه را در سال 2018 جذب کند [ 4 ]]. به طور مشابه، خدمات نقشه برداری و ناوبری بسیار محبوب، مانند Google Maps و Waze نیز اجزای جمع سپاری را برای به روز نگه داشتن داده های نقشه خود پیاده سازی کردند. پایگاه کاربری بزرگ این برنامه‌ها بر داده‌های جغرافیایی و به‌ویژه VGI تمرکز می‌کند، که می‌تواند به عنوان اعتباری برای این مفهوم در نظر گرفته شود، زیرا ثابت می‌کند که شهروندان قادر و مایل به ساخت پایگاه‌های اطلاعاتی عظیم نقشه‌ها و تغذیه خدمات جغرافیایی هستند. اطلاعات دقیق. با این حال، افزایش توجه با عوارض جانبی نامطلوب همراه است. به این معنا که پروژه‌های زمین‌فضایی مشارکتی در برابر خرابکاری نقشه‌کشی آسیب‌پذیر هستند، که به‌عنوان یک رفتار سرکشی برای داده‌های مکانی تعریف می‌شود [ 5 ]. از آنجایی که امروزه UGGC توسط صدها میلیون کاربر از طریق برنامه های کاربردی آنلاین مشاهده می شود، خرابکاری [ 6 ]] دیگر در انجمن های نقشه برداری باقی نمی ماند اما برای مخاطبان در سراسر جهان قابل مشاهده است. این افزایش دید محتوای تخریب شده (به عنوان مثال، نام مکان های جعلی، داده های تخیلی) شهرت پروژه های نقشه برداری مشترک را تهدید می کند. در سال های اخیر چندین مورد خرابکاری نقشه کشی رخ داده است. به عنوان مثال، در آگوست 2018، یک مورد وندالیسم ضد یهودی در نقشه های آنلاین اسنپ چت ظاهر شد [ 7 ]] که مبتنی بر OSM بود. این حادثه به رسانه‌های مختلف معروف مانند بی‌بی‌سی، تایم و نیویورک تایمز راه یافت و بنابراین داده‌های فضایی تولید شده مشترک را در نور بدی نشان داد. وندالیسم را می توان در ارتباط با بازی های مبتنی بر مکان مشاهده کرد، اگرچه این نوع خرابکاری معمولاً با انگیزه نفرت یا تعصب علیه گروه خاصی از افراد نیست. در عوض، در PGO، کاربران داده‌های زیربنایی OSM را با افزودن ویژگی‌های نقشه خیالی (مانند پارک‌ها، مسیرهای پیاده‌روی و دریاچه‌ها) تغییر می‌دهند تا از مزایای بازی بهره‌مند شوند [ 8 ]]. وندالیسم کارتوگرافی از بسیاری جهات می تواند مشکل ساز باشد. اول، تضعیف اعتبار داده های تولید شده توسط پروژه های مشارکتی ممکن است رشد آینده و دسترسی پلت فرم جمع سپاری را محدود کند. دوم، اگر داده‌های به اشتراک گذاشته شده قبلاً در سیستم‌های عملیاتی مانند سرویس‌های ناوبری استفاده می‌شوند، محتوای تخریب شده ممکن است مستقیماً روی کاربران تأثیر بگذارد و آنها را در موقعیت‌های ترافیکی خطرناک قرار دهد یا آنها را گمراه کند. یکی دیگر از جنبه های مشکل ساز به مزیت پذیرفته شده داده های نقشه مشترک مربوط می شود. یعنی به موقع بودن آن در حالی که تعامل بین مقامات و رویکردهای مشارکتی جمع آوری داده های مکانی به دلیل اهداف مختلف این نهادها پیچیده است [ 9 ]]، مشخص شد که در برخی موارد، مانند دنبال کردن بلایای طبیعی و مصنوعی یا سایر شرایط اضطراری، مردم می توانند منبع داده قابل اعتمادی باشند. علاوه بر این، اغلب تنها منبع داده ای است که داده های به روز شده را در مدت زمان کوتاهی ارائه می دهد. یکی از نمونه های شناخته شده این نوع مشارکت عمومی، نقشه های ایجاد شده توسط تیم بشردوستانه OpenStreetMap (HOT) است که توسط اولین پاسخ دهندگان برای نجات جان افراد پس از زلزله هائیتی در سال 2010 استفاده شد [ 10 ]]. بنابراین، زمانی که اعتماد به داده‌ها توسط موارد آشکار خرابکاری نقشه‌کشی تضعیف می‌شود، آیا مقامات به استفاده از داده‌های جغرافیایی بر اساس رویکردهای مشارکتی، مانند VGI، ادامه خواهند داد یا خیر، یک سوال باز است. از دیدگاه جامعه نقشه برداری داوطلب، کشف و رفع محتوای مخرب زمان زیادی می برد. با این حال، این زمان می‌تواند برای بهبود نقشه‌ها در کارهای مهم دیگر، مانند نقشه‌برداری مناطق گمشده، بهتر صرف شود.

همانطور که در بالا ذکر شد، آسیب پذیری در برابر خرابکاری اغلب یکی از اشکالات پروژه های داده های مکانی مشارکتی در نظر گرفته می شود. با این حال، تا کنون تنها به صورت پراکنده در ادبیات به آن پرداخته شده است. بنابراین هدف این تحقیق کمک به درک بهتر خرابکاری نقشه‌کشی در زمینه بازی‌های مبتنی بر مکان است. با استفاده از PGO و OSM به عنوان پلتفرم های تحلیل، هدف آن توصیف اثر و ماهیت خرابکاری نقشه برداری در سطح داده است. همچنین واکنش جامعه نقشه برداری به خرابکاری را تحلیل می کند. به طور خاص، اهداف این مطالعه عبارتند از:

روشی برای جمع‌آوری نمونه بزرگی از رویدادهای خرابکاری کارتوگرافی مرتبط با PGO و رفع آنها در OSM ایجاد کنید.
پویایی های زمانی خرابکاری نقشه برداری و رفع آنها را تجزیه و تحلیل کنید.
توضیح دهید که کدام دسته از ویژگی های نقشه تحت تأثیر قرار می گیرند.
وسعت فضایی وندالیسم کارتوگرافی را تجزیه و تحلیل کنید.
شناسایی و مشخص کردن کاربرانی که (1) OSM را خراب می کنند یا (2) محتوای تخریب شده را تعمیر می کنند.

ساختار باقی مانده مقاله به شرح زیر است. بخش‌های فرعی زیر رابطه بین PGO و OSM را توصیف می‌کنند و کار مرتبط با خرابکاری نقشه‌کشی را مورد بحث قرار می‌دهند. مدل داده OSM، روش شناسایی ویرایش های مضر مربوط به PGO و مجموعه داده های نهایی در بخش 2 توضیح داده شده است. بخش 3 نتایج تجزیه و تحلیل، از جمله تکامل خرابکاری PGO در طول زمان را ارائه می دهد. گروه های کاربری مرتبط با خرابکاری و تصحیح ویرایش های بد؛ و انواع ویژگی های متاثر از وندالیسم. بخش 4 یافته ها و محدودیت های مطالعه را مورد بحث قرار می دهد، که با نتیجه گیری و جهت گیری برای تحقیقات آینده در بخش 5 دنبال می شود .

1.2. Pokémon GO و OpenStreetMap

PGO که در سال 2016 منتشر شد، یک بازی تلفن هوشمند مبتنی بر واقعیت افزوده و مکان‌محور است که بازیکنان را ملزم می‌کند تا به مکان‌های خاصی در رابط نقشه حرکت کنند ( شکل 1 a). پس از رسیدن به این نقاط مورد علاقه، بازیکنان می‌توانند شخصیت‌های مجازی به نام پوکمون را با دوربین تلفن خود «گرفتن» کنند [ 11 ]. هدف هر بازیکن این است که تمام پوکمون های موجود را که در بازی ظاهر می شوند، «گرفتن» کند. مشخص شد که PGO فعالیت بدنی بازیکنان را افزایش می دهد [ 12 ، 13 ] که می تواند به مزایای سلامتی قابل اندازه گیری منجر شود [ 14 ]. همچنین بحث شد که PGO درک بازیکنان خود از فضا و جغرافیا را افزایش می دهد [ 15 ، 16 ]]. این مزایای PGO ارتباط نزدیکی با ماهیت مکان محور آن دارد. یعنی بر نقشه جهان تکیه دارد و از مردم می خواهد که مکان ها را به صورت فیزیکی بازدید کنند. بنابراین، نقشه اساسی برای بازی ضروری است. محبوبیت بازی‌های مبتنی بر مکان، بنابراین PGO را می‌توان با ترکیبی از انگیزه‌های سنتی در پشت بازی‌ها، مانند فرار از یک روال روزمره، و انگیزه‌های جغرافیایی، مانند کاوش در مناطق جدید توضیح داد [ 17 ]. در می 2016، PGO نقشه های گوگل را با OSM به عنوان نقشه پس زمینه در برنامه جایگزین کرد.

پوکمون‌ها به‌طور تصادفی در فضا ظاهر نمی‌شوند، اما مکان‌های آنها توسط معیارهای انتخاب مکان اختصاصی PGO [ 11 ] ایجاد می‌شود. از همان روزهای اولیه PGO، شواهد حکایتی و مشاهدات جامعه نشان می‌دهد که انتخاب و موقعیت‌یابی ویژگی‌های PGO با ویژگی‌های OSM مرتبط است. یعنی PGO از داده‌های OSM (مثلاً چند ضلعی‌های کاربری زمین) برای تولید مکان‌های پوکمون در بازی استفاده می‌کند [ 18 ]]. زمان زیادی نگذشته بود که بازیکنان PGO متوجه شدند که OSM قابل ویرایش است، که به نفع خود تبدیل شدند. با ویرایش OSM و کاشت اطلاعات تخیلی، بازیکنان می توانند از مزایای بازی آنلاین بهره مند شوند. به عنوان مثال، ایجاد یک دریاچه جعلی در داخل یک مجتمع آپارتمانی باعث ایجاد “پوکمون های آبی” می شود. در این مثال، بازیکن می‌تواند این پوکمون‌ها را بدون خروج از خانه جمع‌آوری کند، که به آنها برتری نسبت به سایر بازیکنان می‌دهد. مثال دیگر افزایش تراکم ویژگی های عابر پیاده در OSM است، به عنوان مثال، با افزودن تعداد زیادی مسیر پیاده روی به نقشه ( شکل 1).ب). جدای از به دست آوردن مزایا در بازی، یک توضیح جایگزین برای خرابکاری PGO ممکن است این باشد که آن کاربران از هدف پروژه OSM آگاه نیستند، و بنابراین آنها پیامدهای اضافه کردن داده های جعلی را درک نمی کنند. همچنین مهم است که توجه داشته باشید که تنها درصد کمی از بازیکنان PGO OSM را خراب می‌کنند و برخی از بازیکنان PGO نیز به‌عنوان نقشه‌بردار در جامعه OSM مشارکت می‌کنند.

1.3. کارهای مرتبط در مورد وندالیسم کارتوگرافی

خرابکاری دیجیتال یک مشکل شناخته شده در تنظیمات آنلاین و مشارکتی است. در ارتباط با ویکی‌پدیا، بزرگترین دایره‌المعارف مشترک جهان، وندالیسم از اواسط دهه 2000 مورد مطالعه قرار گرفته است [ 19 ، 20 ]. وندالیسم و کاربران خرابکار را می توان با توجه به زمینه تحقیق به روش های مختلفی دسته بندی کرد. با این حال، اطلاعات نادرست و محتوای توهین‌آمیز اغلب به‌عنوان مقوله خرابکاری خودشان ذکر می‌شوند [ 19 ، 21 ]. طبیعتاً این در راستای کارتو وندالیسم است که یک مورد خاص از خرابکاری دیجیتال است. بالاتوره [ 5] پس از بررسی لیست های پستی و انجمن های مرتبط با WikiMapia و OpenStreetMap، گونه شناسی کارتو-وندالیسم را ایجاد کرد. نویسنده دسته بندی های بازی، ایدئولوژیک، فانتزی، هنری، صنعتی و هرزنامه را ابداع کرده است. مطالعه دیگری از رویکرد کمی بیشتر استفاده کرد و 51 مورد وندالیسم شناسایی شده قبلی در OSM را تجزیه و تحلیل کرد [ 22 ]. این نشان داد که 33 درصد از اعمال مخرب داده‌های تخیلی اضافه می‌کنند و بیش از 75 درصد خرابکاری‌ها توسط کاربران جدید انجام شده است. درک انگیزه های پشت چنین مواردی نیز جالب توجه بوده است زیرا به طور بالقوه می تواند به شناسایی آنها کمک کند. کلمن و همکاران [ 23] شیطنت، دستور کار (باورها) و سوء نیت و/یا قصد مجرمانه (منفعت شخصی) را به عنوان انگیزه های اصلی پشت وندالیسم کارتونی شناسایی کرد که با آنچه برای ویکی پدیا یافت شده مطابقت دارد. با این حال، استدلال شد که این فهرست نمی‌تواند انگیزه‌های متنوع پشت خرابکاری را در یک زمینه جغرافیایی نشان دهد. هنگام تجزیه و تحلیل خرابکاری در Wikimapia و OpenStreetMap، انگیزه های دیگری مانند ناامیدی، کسالت، شوخ طبعی یا بیان خود نیز شناسایی شدند [ 5 ]. ممنوعیت در OSM توسط مدیران پروژه به دلیل نقض استانداردهای جامعه صادر می شود. با مطالعه 1218 ممنوعیت OSM، یک مطالعه 12 موضوع رایج را شناسایی کرد که برای آنها ممنوعیت صادر شد و دریافت که خرابکاری و ویرایش های با انگیزه سیاسی از رایج ترین انواع هستند [ 24 ].

طبق قانون لینوس، ماهیت مشارکتی VGI تضمین می کند که همه خرابکاری ها کشف و اصلاح می شوند [ 25 ]. با این حال، غیر واقعی است که انتظار داشته باشیم که همه مشارکت های مضر توسط جامعه نقشه برداری [ 26 ] پیدا شود. در واقعیت، جامعه زمان و تلاش خود را برای یافتن و رفع ویرایش های مضر تلف می کند. در نتیجه، تلاش قابل توجهی برای توسعه سیستم های تشخیص برای شناسایی محتوای مخرب انجام شد. در مجموع، 75 درصد از تحقیقات دانشگاهی در ویکی‌پدیا در زمینه علوم کامپیوتر با تمرکز بر تشخیص خرابکاری انجام شد [ 27 ]. به طور مشابه، نمونه‌های اولیه سیستم‌های مبتنی بر قانون و خوشه‌بندی برای OSM مورد بررسی قرار گرفت [ 22 ، 28]، و جامعه نقشه برداری فعالانه از سیستم های مشابهی استفاده می کند که به تشخیص خرابکاری کمک می کند [ 29 ]. Mapbox، یکی از برجسته‌ترین ارائه‌دهندگان تجاری که از داده‌های OSM استفاده می‌کند، از یک رویکرد ترکیبی استفاده می‌کند که هم بر تشخیص خودکار و هم بر بازبینی انسانی برای شناسایی و پرچم‌گذاری ویرایش‌های مضر متکی است، و آنها همچنین تشخیص خود را برای جامعه نقشه‌برداری در دسترس قرار می‌دهند [ 30 ]. از طریق این سیستم تشخیص عملیاتی، تخمین زده می‌شود که تنها 0.2% از ویرایش‌های OSM خرابکاری هستند [ 30 ] که در مقایسه با 3 تا 5 درصدی که برای ویکی‌پدیا هنگام تجزیه و تحلیل ویرایش‌های 174 مقاله تصادفی یافت شد، نسبتاً کم است [ 31 ].]. تعامل مستقیم بین PGO و OSM در یک مطالعه بررسی شد که نشان داد تعداد مشارکت‌کنندگان و مشارکت‌های OSM در کره جنوبی مدت کوتاهی پس از معرفی PGO افزایش یافت، که نشان می‌دهد بازیکنان PGO از ابتدا درگیر ویرایش OSM هستند [ 32 ].]. در همان مطالعه، پرسشنامه ای در میان بازیکنان PGO که OSM را ویرایش می کردند انجام شد، نشان داد که آنها در درجه اول به دلیل PGO انگیزه مشارکت در OSM را داشتند. آنها تمایل خود را برای بهبود ظاهر نقشه در بازی و همچنین تأثیرگذاری بر پوکمون هایی که در مکان های نقشه برداری شده ظاهر می شوند ابراز کردند. این نظرسنجی همچنین نشان داد که بازیکنانی که به دلیل PGO به نقشه در OSM اضافه شده‌اند، در مقایسه با سایر نقشه‌برداران OSM، احتمال بیشتری برای نقشه‌برداری از پارک‌ها و بدنه‌های آبی دارند. کار اولیه ما و اهمیت خرابکاری PGO نیز در ارائه کنفرانس برجسته شد [ 33 ].

2. روش شناسی و توصیف داده ها

2.1. OpenStreetMap Changeset و Data Model

مدل داده OSM از سه نوع ویژگی اصلی نقشه تشکیل شده است: گره ها، راه ها و روابط. هر ویژگی دارای یک شناسه منحصر به فرد و اطلاعات مربوط به آخرین کاربری است که آن را ویرایش کرده است، مُهر زمانی ویرایش و شناسه مجموعه تغییراتی که ویژگی آخرین بار در آن گنجانده شده است. اطلاعات توصیفی درباره یک ویژگی به عنوان مجموعه‌ای از جفت‌های کلید-مقدار ذخیره می‌شود. به عنوان برچسب شناخته می شوند. هندسه فقط برای گره ها ذخیره می شود (به عنوان یک جفت مختصات طول و عرض جغرافیایی) اما می توان آن را به روش هایی بازسازی کرد که لیست های مرتب گره ها هستند. روابط را می توان از گره ها، راه ها و روابط دیگر ساخت. هنگامی که یک ویژگی ویرایش می شود، شماره نسخه آن افزایش می یابد [ 34 ]. تغییرات به صراحت در OSM ذخیره نمی‌شوند، اما می‌توانند با مقایسه نسخه‌های بعدی ویژگی‌ها بازسازی شوند [ 35 ]]. تغییرات مجموعه ای از ویرایش های نقشه است که در یک جلسه ویرایش توسط یک کاربر خاص انجام می شود. علاوه بر ویژگی‌های جدید ایجاد شده و نسخه‌های جدید ویژگی‌های ویرایش‌شده، یک تغییرات همچنین حاوی برچسب‌های اجباری و اختیاری دیگری با اطلاعات مربوط به مجموعه تغییرات (نرم‌افزار ویرایشگر، نقشه‌بردار، وسعت فضایی و غیره) است. اگرچه اجباری نیست، مجموعه‌های تغییرات اغلب حاوی یک فیلد توصیف متن آزاد (برچسب نظر) برای خلاصه کردن تغییرات درون آن هستند. به عنوان یک استاندارد انجمن، ویراستاران یا ارسال این توضیحات را اجباری می کنند یا به شدت کاربران را به انجام این کار تشویق می کنند (مثلاً با پیام های هشدار). به عنوان راهی برای پاسخ به خرابکاری و اشتباهات نقشه برداری، ویرایش های نقشه را می توان به نسخه قدیمی داده ها برگرداند (برگرداند). این یک فرآیند پیشرفته است که معمولاً توسط اعضای با تجربه جامعه OSM انجام می شود. بازگردانی‌های تغییر نیز ویرایش‌های نقشه‌ای هستند که در مجموعه‌های بازگردانی انجام می‌شوند که ویژگی‌های مشابهی با تغییرات معمولی دارند. بازگردانی تغییرات معمولاً با نرم افزار ویرایشگر پیشرفته یا یک ابزار تخصصی (به عنوان مثال، افزونه یا اسکریپت) انجام می شود.

2.2. شناسایی پیوندهای بین ویرایش های مضر و رفع آنها

رویکرد ما به مجموعه‌های تغییرات OSM و توصیف‌های تغییرات برای شناسایی کارتو وندالیسم مرتبط با PGO متکی است. یعنی، ابتدا مجموعه‌های تغییراتی را شناسایی می‌کنیم که خرابکاری PGO را به عنوان نقطه شروع ثابت می‌کردند. در مرحله بعدی، رویداد خرابکاری با تجزیه و تحلیل محتوای مجموعه تغییرات ثابت شناسایی می‌شود. مزیت این رویکرد این است که از قضاوت جامعه OSM برای یافتن خرابکاری استفاده می کند، برخلاف اتکا به هر معیار اکتشافی. برای این منظور، اگر حداقل یکی از اعضای جامعه OSM که برای رفع آن تلاش می‌کند، تغییراتی را تنها به عنوان خرابکاری مرتبط با PGO در نظر می‌گیریم.

یک نظر معمولی تغییرات مجموعه برای این اصلاحات به شرح زیر است: “بازگرداندن 3243554، Pokémon-Edits” ، که نشان می دهد تغییرات #3243554 بازگردانده شده است، و دلیل برگرداندن آن این است که حاوی “Pokémon-Edits” است. از آنجایی که تغییرات بازگردانی دارای ویژگی های مشترک با تغییرات معمولی است، آنها حاوی ارجاعاتی به ویژگی هایی هستند که در ابتدا خراب شده بودند. برگرداندن مجموعه‌های تغییرات بر اساس برچسب نظر تغییرات مجموعه شناسایی می‌شود. به طور خاص، ما یک لیست مرتب از واژگان را از ورودی فیلد متن آزاد ایجاد شده توسط کاربر می سازیم و یک جستجوی متن کامل را برای وقوع کلمات کلیدی از پیش تعریف شده اجرا می کنیم [ 36 ]. واژگان به عنوان حداقل واحدهای زبان تعریف می شوند [ 37]. به عنوان مثال، کلماتی مانند fixed، fixes، fixing و fix با واژگان “fix” نمایش داده می شوند. مجموعه‌های تغییرات تنها در صورتی به‌عنوان اصلاح پرچم‌گذاری می‌شوند که فیلد نظر اصلی حاوی حداقل یک تغییر از حذف، برگرداندن، حذف یا اصلاح واژگان و گونه‌ای از واژگان مرتبط با PGO (مانند پوکمون، پوکمون) باشد.

هنگامی که مجموعه تغییرات بازگردانی شناسایی شد، از دو رویکرد مختلف برای شناسایی رویداد خرابکاری استفاده می‌کنیم. کاوش داده های اولیه نشان داد که جامعه اغلب شناسه تغییرات خرابکاری را که رفع کرده است نشان می دهد و بنابراین به صراحت بین خرابکاری و رفع آن پیوند ایجاد می کند. ما از جستجوهای عبارت منظم (regex) برای اعداد 8 رقمی استفاده می کنیم که با شناسه های تغییر مجموعه مطابقت دارند. مزیت این رویکرد این است که بدون توجه به نحوه ذکر مجموعه تغییرات خراب شده، بین تعمیر و خرابکاری ارتباط برقرار می کند. به عنوان مثال، نظرات “اصلاح ویرایش های بد پوکمون در https://openstreetmap.org/changeset/12345678 “ و “وندالیسم برگردانده شده در تغییرات #12345678”هم پیوندی بین یک اصلاح مجموعه و خرابکاری در تغییرات مجموعه 12345678 ایجاد می کند. اگر چنین پیوندی را نتوان از روی نظر تغییرات تعیین کرد، خرابکاری را می توان از طریق تاریخچه ویرایش های ویژگی موجود در مجموعه تغییرات اصلاحی شناسایی کرد. به عبارت دیگر، مجموعه تغییرات خرابکاری از نسخه قبلی ویژگی ها استخراج شده است ( شکل 2ب). هر دو روش شناسایی خرابکاری مرتبط با PGO منجر به دست کم گرفتن این پدیده می شود زیرا (1) همه ویرایش های مضر توسط جامعه کشف نمی شوند و (2) همه تنظیمات اصلاح یک برچسب نظر ارائه نمی کنند که بازگشت را به PGO مرتبط می کند. با این حال، این روش تعداد کافی از تغییرات خرابکاری را شناسایی می‌کند که می‌توانند برای بهبود درک ما از کارتو-وندالیسم استفاده شوند.

برای شناسایی خرابکاری‌ها و اصلاح مجموعه‌های تغییرات، از یک انباره تغییرات ایجاد شده در 30 دسامبر 2019 از https://planet.openstreetmap.org استفاده شد. این فایل شامل تمام تغییراتی است که تاکنون در OSM ایجاد شده است. یک نسخه اصلاح شده از ابزار ChangesetMD ( https://github.com/jlevente/ChangesetMD ) برای درج مجموعه تغییرات در پایگاه داده PostgreSQL که به صورت فضایی فعال شده است، استفاده شد. مراحل پردازش از طریق ترکیبی از ابزارهای کاربردی یونیکس، پرس و جوهای SQL و اسکریپت های R و Python خود توسعه یافته انجام شد. فایل داده های ورودی، نرم افزار و شرح مراحل پردازش به عنوان مواد تکمیلی ارائه شده است.

2.3. داده های تکمیلی

برای ارزیابی سطح تجربه کاربران درگیر در خرابکاری PGO یا رفع آنها، به ترتیب، اطلاعات کاربر را از طریق API اصلی OSM [ 38 ] برای همه کاربران مرتبط با مجموعه‌های تغییراتی که به‌عنوان اصلاح یا خرابکاری پرچم‌گذاری شده بودند استخراج کردیم، مانند زمان حساب. ایجاد یا تعداد مجموعه تغییرات ایجاد شده این داده ها در 2 ژانویه 2020 جمع آوری شده است. “سن” OSM یک کاربر را می توان به عنوان زمان سپری شده بین ثبت حساب OSM و ارسال مجموعه تغییرات تعریف کرد. حتی اگر سن حساب ممکن است تجربه یک مشارکت کننده را بیش از حد برآورد کند [ 39]، یک پروکسی مهم برای رفتار کاربر است که می تواند یک معیار تمایز مهم برای سیستم های تشخیص خرابکاری آینده باشد. برای درک بهتر خرابکاری، مهم است که اطلاعاتی در مورد ویژگی های بازیکنان PGO در OSM و به چه روشی تغییر داده اند. برای این منظور ما تفاوت های افزوده شده (adiff) را از طریق Overpass API [ 40 ] استخراج کردیم.] برای هر مجموعه تغییرات اصلاح و خرابکاری، که پایگاه داده OSM را بین دو نمونه زمانی مختلف مقایسه می‌کند. برای هدف ما، با استفاده از مهرهای زمانی تعیین شده توسط سرور OSM، برای مناطقی که با تغییرات منطبق است، از پایگاه داده برای تغییرات بین زمان باز و بسته شدن تغییرات جستجو کردیم. این مرحله تجزیه و تحلیل محتوای تغییرات خراب شده را تسهیل می کند. به هر ویژگی یک دسته ویژگی بر اساس پیش تنظیم پیش فرض JOSM اختصاص داده شد. این پیش‌تنظیم سلسله مراتبی از دسته‌های ویژگی OSM را با مقایسه خودکار برچسب‌های آن‌ها با لیست از پیش تعریف‌شده ترکیب‌های برچسب ایجاد می‌کند. ویژگی‌های نقشه مشابه، مانند بزرگراه‌ها، امکانات، جغرافیا، ورزش و غیره در دسته‌های سطح بالا دسته‌بندی می‌شوند و دسته‌ها در سطوح بعدی دوباره تعریف می‌شوند. اگرچه راه های دیگری برای طبقه بندی ویژگی های OSM وجود دارد،شکل 3 این پیش تنظیم را همانطور که در ویرایشگر JOSM نشان می دهد نشان می دهد.

2.4. روش های توصیف و تجزیه و تحلیل داده ها

مجموعه داده نهایی شامل 2280 پیوند بین 2058 مجموعه تغییرات خرابکاری PGO و 1410 مجموعه تغییر است که آنها را رفع کرده است. مجموعه تغییرات خرابکاری شامل 46219 تغییر نقشه بود که بر 10543 ویژگی نقشه تأثیر گذاشت. با ویژگی های نقشه، ما به ویژگی هایی با اطلاعات ویژگی که در یک برچسب نشان داده شده اند اشاره می کنیم (یعنی گره های ساده به عنوان بخش هایی از راه ها شمارش نمی شوند). جدول 1 آمار مربوط به هر دو نوع مجموعه تغییرات را در مجموعه داده موجود خلاصه می کند. چند حساب کاربری بین عمل خرابکاری و کمپین جمع آوری داده های ما در ژانویه 2020 حذف شد . شکل 4توزیع فضایی مجموعه‌های تغییرات خرابکاری را با ترسیم هندسه‌های تغییرات مجموعه‌ای که توسط نمایش‌های ژئوهش بلند 3 کاراکتری آنها جمع‌آوری شده‌اند، نشان می‌دهد که با وضوح شبکه حدود 0.7 درجه مطابقت دارد. کشورهایی که بیش از همه تحت تأثیر خرابکاری PGO قرار گرفتند آلمان، ایالات متحده و هلند و پس از آن تایوان و بریتانیا بودند.

برای ارزیابی پویایی زمانی رویدادهای خرابکاری مرتبط با PGO، ابتدا تعداد تغییرات و کاربران، که به تعمیر و خرابکاری تفکیک شده‌اند، بر اساس ماه جمع‌آوری شدند. علاوه بر این، تفاوت زمانی بین تغییرات وندالیسم و تنظیمات مربوط به اصلاح محاسبه شد. این بینشی را در مورد مدت زمانی که جامعه برای کشف و رفع یک ویرایش مخرب صرف کرده است، ارائه می دهد، و این با توزیع تجمعی تکمیلی تغییرات خرابکاری شده که به زمان معینی برای اصلاح نیاز داشتند، توضیح داده شده است.

مناطق خانگی کاربران فیکسر برای به دست آوردن بینشی در مورد اینکه آیا آنها در رفع خرابکاری به صورت محلی یا در یک منطقه بزرگتر نقش دارند، محاسبه شد. ما منطقه خانه یک کاربر را به عنوان منطقه ای تعریف می کنیم که اکثر مشارکت های او در آن یافت می شود [ 41 ] و روش توصیف شده در [ 42 ] را با استفاده از تغییرات سانتروئیدها برای محاسبه مناطق خانه برای هر کاربر ثابت کننده تطبیق می دهیم. این فرآیند در شکل 5 برای یک کاربر به طور تصادفی انتخاب شده نشان داده شده است، که در آن مکان مراکز تغییرات در شکل 5 الف نشان داده شده است. ابتدا، مثلث های دلون از مرکز تغییراتی بازسازی می شوند ( شکل 5ب) که هر کدام مش ریزتری را برای ناحیه ای که کاربر در آن فعال تر است فراهم می کند. در مرحله بعد مثلث هایی با محیط بزرگتر از 15 کیلومتر حذف می شوند. سپس، مثلث های باقی مانده به یک چند ضلعی ادغام می شوند ( شکل 5 ج). در مرحله آخر، مناطق مجزا که از کمتر از 20 مرکز ساخته شده بودند حذف شدند تا فقط مناطقی با فعالیت بالا حفظ شوند. چند ضلعی (چند ضلعی) باقی مانده به عنوان منطقه اصلی برای آن کاربر در نظر گرفته می شود ( شکل 5 د). شکل 5 مناطق خانگی کاربران در بخش شرقی ایالات متحده و کانادا را نشان می دهد.

علاوه بر این، گستره فضایی که در آن کاربر در اطراف یک مکان مرکزی مرتکب خرابکاری مرتبط با PGO می‌شود، بر اساس فهرست تغییرات هر کاربر از تغییرات خرابکاری، از طریق شعاع چرخش تخمین زده شد [ 43 ]. شعاع چرخش $R_{u}$ برای یک کاربر u به عنوان محاسبه شد

آر تو = 1 n \sum i = 1 n | پ من - ج تو | 2 ————\sqrt

که در آن n تعداد تغییرات خرابکاری انجام شده توسط کاربر u است، $p_{i}$ مرکز وندالیسم تغییرات من و $c_{u}$ مرکز انبوه تغییرات وندالیسم برای کاربر u است. تغییرات وندالیسم از نظر وسعت کوچک بود (M = 60.88 km2 ، MD = 0.02 km2 ^پس^از حذف بزرگترین 0.5٪ تغییرات خرابکاری). بنابراین، مرکز آنها تخمین خوبی از مکان تغییرات موجود در مجموعه تغییرات خرابکاری ارائه می دهد.

3. نتایج

3.1. ویژگی های زمانی وندالیسم PGO

شکل 6 جدول زمانی ماهانه فعالیت های مرتبط با PGO را در OSM ترسیم می کند که به خرابکاری تقسیم شده و بین ژوئن 2016 تا دسامبر 2019 رفع شده است. نمودار نشان می دهد که خرابکاری PGO با سرعت ثابتی رخ نداده است. در عوض، اوج های واضحی را می توان در تعداد اعمال خرابکاری مشاهده کرد ( شکل 6 الف) و تعداد کاربرانی که درگیر خرابکاری ( شکل 6 ب) برای اوایل سال 2017 و از اواخر سال 2017 تا اواسط 2018 هستند که می تواند به به روز رسانی های مربوط به داده های اصلی OSM و تصاویر نقشه در PGO. منحنی‌هایی که تعداد انباشته‌ای از کاربران درگیر در خرابکاری و اصلاحات را در شکل 6 ج نشان می‌دهند نشان می‌دهد که تعداد کاربران فیکسر با سرعت ثابتی رشد کرده است و به اندازه تعداد کاربران خرابکار تحت تأثیر دوره‌های فعالیت بالا قرار نگرفته است. شکل 6a,b نشان می‌دهد که تقریباً در تمام ماه‌ها در کل بازه زمانی مطالعه، تعداد کاربران خرابکاری و تغییرات خرابکارانه نسبت به اصلاحات بیشتر بوده است. تعداد غیرمنتظره بیشتر تغییرات خرابکاری در شکل 6 a را می توان با رفتار کاربران فیکس کننده توضیح داد که تمایل به رفع بیش از یک خرابکاری در یک زمان دارند. در واقع، به طور متوسط هر مجموعه تغییرات ثابت، 1.5 تغییر خرابکاری را ثابت کرد و بیشترین تعداد وقوع خرابکاری PGO که در یک تغییر تنظیم شد، 24 مورد بود.

در حالت ایده آل، محتوای مخرب فوراً توسط جامعه OSM شناسایی و رفع می شود. شکل 7a توزیع تجمعی تکمیلی زمان لازم برای رفع خرابکاری را ترسیم می کند. شکل نسبت تغییرات خراب شده را نشان می دهد که تعمیر آنها بیش از یک ساعت معین طول کشیده است. توزیع طولانی نشان می دهد که تغییرات خرابکاری مدت کوتاهی پس از ارتکاب آنها کشف و رفع می شوند، اما بخش کوچکی از موارد خرابکاری طولانی مدت وجود دارد که برای مدت طولانی مورد توجه قرار نمی گیرند. در واقع، 11.6 درصد از خرابکاری ها در عرض یک ساعت و 65.1 درصد در 24 ساعت اول برطرف شد. تنها 16.5٪ از تغییرات خرابکاری شناسایی شده برای بیش از یک هفته در سیستم دست نخورده باقی ماندند. میانگین زمان مورد نیاز برای کشف و رفع تغییرات خرابکاری که هر ماه ارسال می‌شد با گذشت زمان کاهش یافت ( شکل 7ب). این با آزمون روند کاکس-استوارت تایید شد که روند کاهشی را نشان داد ( 0008/0 = p ). همچنین به نظر می رسد که یک رابطه معکوس متوسط بین تعداد تغییرات ماهانه خراب شده و زمان لازم برای رفع آنها وجود دارد، همانطور که در شکل 8 نشان داده شده است. برای تأیید این موضوع، زمان‌های پاسخ در طول ماه‌هایی با تعداد کم تغییرات وندالیسم (کمتر از 50) و در طول ماه‌هایی با تعداد زیاد تغییرات خراب‌شده (≥50) مقایسه شد. آزمون میانه Mood نشان داد که تفاوت در مقادیر میانه بین این دو گروه از نظر آماری معنی دار است ( 0003/0 > P ). این نشان می‌دهد که جامعه OSM در دوره‌های زمانی افزایش خرابکاری هوشیارتر است و سریع‌تر از حد معمول عمل می‌کند.

3.2. محتوای تخریب شده

OSM را می توان با تعدادی ویرایشگر مختلف ویرایش کرد که از نظر عملکرد و سطح تخصص مورد نیاز کاربران متفاوت است. نقشه های درختی در شکل 9 نشان می دهد که خرابکاران و کاربران ثابت کننده کدام ویرایشگرها را ترجیح می دهند، جایی که اندازه هر سلول متناسب با سهم یک نرم افزار ویرایشگر است. این شکل ترجیح آشکاری برای خرابکاری و تعمیر را نشان می دهد. خرابکاری عمدتاً با ویرایشگر iD مبتنی بر وب انجام شد که 97٪ از تغییرات خراب شده را تشکیل می دهد ( شکل 9 a)، که ویرایشگر پیش فرض در وب سایت OSM است. از دیگر نرم افزارهای مورد استفاده برای خرابکاری می توان به اپلیکیشن iOS به نام Go Map!! ( https://wiki.openstreetmap.org/wiki/Go_Map!!، Potlatch و JOSM. جامعه OSM JOSM و ابزارهای تخصصی‌تر را برای رفع خرابکاری ترجیح می‌دهند، مانند افزونه reverter و اسکریپت‌های بازگردانی (osmtools: https://github.com/woodpeck/osm-revert-scripts ) ( شکل 9 ب). از آنجایی که وجود واژگان «بازگشت» بخشی از مجموعه معیارهای اعمال شده برای شناسایی تغییرات اصلاحی بود، این فهرست ممکن است تا حدودی مغرضانه باشد، اما بر ترجیحات واضح کاربر برای iD (وندالیسم) و JOSM (اصلاح) تأثیر نمی گذارد. .

خرابکاری PGO در OSM تقریباً بر تعداد مشابهی از ویژگی های جدید و موجود تأثیر می گذارد. با این حال، نسبت ویژگی های ایجاد شده و اصلاح شده بین انواع ویژگی ها به شدت متفاوت است. به این معنا که تعداد گره‌های بیشتری نسبت به تغییر ایجاد می‌شوند، اما راه‌ها یا روابط بیشتری نسبت به ایجاد شده اصلاح می‌شوند ( جدول 2 ). جدول همچنین نشان می‌دهد که خرابکاری PGO عمدتاً بر روش‌های OSM تأثیر می‌گذارد، در حالی که روابط، که انواع داده‌های پیشرفته‌تر هستند، به ندرت در خرابکاری PGO ایجاد یا اصلاح می‌شوند.

نقشه درختی در شکل 10 طبقه‌بندی ویژگی‌هایی را نشان می‌دهد که در ارتباط با خرابکاری PGO ایجاد شده‌اند، که در آن دسته‌های ویژگی با کمتر از پنج ویژگی حذف شده‌اند. اندازه هر سلول متناسب با تعداد ویژگی ها (گره ها، راه ها و روابط) ایجاد شده در آن دسته است. رنگ‌های مختلف جعبه‌ها نشان‌دهنده دسته‌های اصلی مختلف، مانند امکانات یا بزرگراه‌ها است. در مجموع، 381 ویژگی را نمی‌توان در پیش‌تنظیم پیش‌فرض طبقه‌بندی کرد، زیرا ترکیب برچسب‌های آنها با قوانین توصیف‌شده در مشخصات پیش‌فرض پیش‌فرض مطابقت نداشت (N/A در شکل 10 ). اینها عمدتاً ویژگی‌هایی با اشتباهات املایی در برچسب‌هایشان یا با برچسب‌هایی بودند که در ویکی OSM یافت نشد (به عنوان مثال، https://www.openstreetmap.org/way/545937640/history را ببینید.). نیمی از این ویژگی ها (193) فقط حاوی یک فیلد “نام” بودند اما دسته را از طریق یک برچسب نشان نمی دادند. این یک اشتباه رایج کاربران جدیدی است که با طرح های برچسب گذاری OSM آشنا نیستند. مقوله‌های جغرافیا و بزرگراه‌ها (طبق پیش‌تنظیم پیش‌فرض JOSM که در بخش 2.3 توضیح داده شده است ) حدود 60 درصد از همه ویژگی‌های ایجاد شده را تشکیل می‌دهند. در این میان، پارک‌ها (27%) و پیاده‌روی اختصاصی (15%)، علاوه بر بدنه‌های آبی (5%)، بر ویژگی‌های جدید تسلط داشتند.

یک تغییر ویژگی می تواند به عنوان تغییر در هندسه، محتوای برچسب یا عضویت در روابط رخ دهد. برای خرابکاری PGO، تغییرات برچسب، که شامل تغییرات در دسته ویژگی های موجود است، مرتبط ترین موارد برای به دست آوردن مزیت در بازی است. به عنوان مثال تغییر ساختمان (ساختمان = بله) به پارک (کاربری زمین = پارک). تنها 6 درصد از تمام تغییرات ویژگی منجر به تغییرات دسته اول در پیش تنظیم JOSM شد (به عنوان مثال، از ساخته دست بشر به جغرافیا؛ به شکل 3 مراجعه کنید )، در حالی که درصد تغییراتی که شامل تغییر دسته ویژگی، به عنوان مثال، چمن به پارک، خیلی بالاتر بود. به طور خاص، 38٪ (985 ویژگی) از تغییرات ویژگی شناسایی شده در مجموعه تغییرات خرابکاری منجر به تغییر دسته شد. نمودار سانکی در شکل 11نشان می‌دهد که چگونه ویژگی‌ها در مجموعه‌های تغییرات خرابکاری (از چپ به راست) دسته‌بندی شدند، که در آن پیوندهایی با کمتر از پنج ویژگی برای وضوح ارائه حذف شدند. بازیکنان PGO تمایل دارند انواع ویژگی‌های محوطه بیرونی را به پارک‌ها و ویژگی‌های مختلف دیگر را به پیاده‌روها و مسیرهای اختصاصی دسته‌بندی کنند.

3.3. تجزیه و تحلیل گروه کاربر

انتظار می رود که ویژگی های کاربرانی که درگیر خرابکاری می شوند و کسانی که این ویرایش های مضر را اصلاح می کنند متفاوت باشد. گروهی متشکل از 815 کاربر منحصربه‌فرد که تغییرات خرابکاری را ارسال کردند، بیش از 4.5 برابر بزرگ‌تر از گروه کاربری مرتبط با رفع خرابکاری (174 کاربر منحصر به فرد) بود. هجده خرابکار و پنج کاربر فیکسر که حساب های خود را حذف کرده بودند از تجزیه و تحلیل زیر حذف شدند. آزمایش Mann-Whitney U نشان داد که سن حساب بین گروه کاربر خرابکار OSM (سن متوسط = 46 دقیقه) و گروه کاربر OSM ثابت (سن متوسط = 4 سال و 339 روز) به طور قابل توجهی متفاوت است ( p< 0.0001). مشخص شد که 53 درصد از کاربران خرابکار اولین تغییرات خرابکارانه خود را ظرف یک ساعت پس از ایجاد حساب ارسال کردند. در پایان ماه اول عضویت در پروژه، 78 درصد از خرابکاران شناسایی شده قبلاً ویرایش های مضر خود را انجام داده بودند.

برای ارزیابی وقوع مجدد فعالیت های خرابکاری PGO برای یک کاربر معین، درصد کاربران اولین بار و کاربران بازگشتی برای هر دو گروه کاربر برای هر ماه محاسبه شد. یک کاربر به‌عنوان کاربر بازگشت‌کننده حساب می‌شود، فقط مشخص شد که او در زمان قبلی درگیر همان نوع فعالیت (مثلاً خرابکاری یا تعمیر) بوده است. کاربران بازگشتی بیشتر به کاربرانی تقسیم شدند که فقط یک بار برگشتند (یعنی در دو ماه مختلف ویرایش شدند) و کاربرانی که بیش از یک بار بازگشتند (یعنی در بیش از دو ماه مختلف ویرایش شدند). شکل 12 a,b درصد انواع کاربران را بین جولای 2016 تا دسامبر 2019 نشان می دهد . شکل 12a نشان می دهد که اکثریت خرابکاران به طور منظم درگیر خرابکاری نمی شوند. برخلاف این، به نظر می رسد رفع خرابکاری یک فعالیت پایدار باشد. اکثر این کاربران در چندین نوبت پس از اولین اصلاحات خود درگیر اصلاح ویرایش های مضر به صورت مداوم هستند ( شکل 12 ب). میله‌های گمشده در شکل 12 ب ماه‌هایی هستند که هیچ فعالیت ثابتی ندارند.

فواصل ژئودتیکی (کوتاه‌ترین مسیر) بین منطقه خانگی کاربر ثابت‌کننده و هر خرابکاری که کاربر رفع کرده بود محاسبه شد تا مشخص شود که آیا جامعه بر رفع خرابی‌ها فقط به صورت محلی تمرکز می‌کند یا خیر. دو گروه از کاربران فیکسر را می توان شناسایی کرد: 46٪ از همه کاربران فیکسر خرابکاری را فقط در منطقه خانه خود رفع کردند (یعنی چند ضلعی مشابه شکل 5 d,e). علاوه بر این، 10 درصد دیگر از کاربران فیکسر به طور میانگین خرابکاری را در کمتر از 100 کیلومتری منطقه خانه خود رفع کردند. اینها را می توان فیکس کننده های محلی در نظر گرفت. 44 درصد باقیمانده از کاربران ثابت کننده حداقل فاصله 640 کیلومتری بین تعمیرات و مناطق اصلی خود را به طور متوسط با انحراف استاندارد 1602 کیلومتر داشتند که نشان دهنده عدم تمرکز جغرافیایی واضح است. کاربران این گروه تقریباً 75٪ از کل تغییرات خراب شده را اصلاح می کنند.

تمرکز جغرافیایی خرابکاری PGO با محاسبه شعاع متریک چرخش برای هر کاربری که مجموعه‌های تغییرات خرابکاری را ارسال می‌کند، ارزیابی شد، که مشخص‌کننده وسعت فضایی تغییرات خراب‌شده است. همانطور که انتظار می رفت، اکثریت قریب به اتفاق کاربران OSM را در مقیاس بسیار محلی خراب می کنند، با 94٪ از کاربران خرابکار شعاع چرخش کمتر از 5 کیلومتر. در طرف دیگر طیف، نه کاربر (1.1٪) دارای شعاع ارزش چرخش بیش از 100 کیلومتر هستند، که به این معنی است که تغییرات خراب شده آنها در مناطق بزرگتر پخش شده است. پس از بررسی این تغییرات، کاربران این گروه همچنان OSM را در یک کشور با یک استثنا بین مراکز جمعیتی در سواحل غربی ایالات متحده و کانادا و یک استثنای بین قاره ای بین ایالات متحده آمریکا و آمریکای لاتین تخریب کردند. وسعت فضایی خرابکاری در هر یک از این مکان ها کم بود. توزیع مقادیر شعاع چرخش برای کاربران خرابکار با گروهی از کاربران OSM به‌طور تصادفی انتخاب شده و مجموعه‌های تغییرات آن‌ها مقایسه شد، که برای آن شعاع چرخش نیز محاسبه شد (شامل همه مجموعه‌های تغییرات آنها). آزمون t دو نمونه ای محاسبه شدlog(1 + x) تبدیل شعاع مقادیر چرخش (بر حسب کیلومتر)، که نشان داد که شعاع چرخش (مقادیر داده شده بر حسب کیلومتر) به طور قابل توجهی کوچکتر است (M = 28.69، MD = 0، SD = 363.61) برای کاربران خرابکاری نسبت به جمعیت عمومی OSM (M = 452.46، MD = 0.51، SD = 1507.47) ( p <0.0001). شکل 13 درصد تجمعی کاربران را با شعاع مقادیر چرخش تا یک فاصله معین نشان می دهد. طرح از یافته‌های بالا پشتیبانی می‌کند، زیرا درصد معینی از کاربران خرابکار را نشان می‌دهد که ویرایش‌های خود را در شعاع کمتری در مقایسه با جمعیت کلی نقشه‌برداری انجام می‌دهند.

4. بحث و نتیجه گیری

4.1. بحث در مورد نتایج

خرابکاری نقشه‌کشی در سال‌های اخیر مورد توجه قرار گرفته است، زیرا VGI و سایر داده‌های فضایی جمع‌سپاری شده به طور فزاینده‌ای در برنامه‌های کاربردی محبوب مورد استفاده قرار می‌گیرند. این تحقیق کارتو وندالیسم را به روش داده محور با استفاده از Pokémon GO و OpenStreetMap به عنوان مثال توصیف کرد. پژوهش ما ادبیات مربوط به خرابکاری نقشه‌کشی را با تجزیه و تحلیل ویژگی‌های آن با استفاده از نمونه بزرگی از رویدادها گسترش می‌دهد. نتایج تجزیه و تحلیل ما مطابق با تحقیقات قبلی است که 51 رویداد خرابکاری OSM [ 22 ] را تجزیه و تحلیل کرده بود و تأیید می کند که کارتو وندالیسم بر تمام مناطق جهان تأثیر می گذارد. ما دریافتیم که حدود 65 درصد از خرابکاری ها در یک روز توسط جامعه پیدا و رفع می شود. نتایج مشابه برای ویکی‌پدیا نشان می‌دهد که این الگو ممکن است مختص کارتو وندالیسم نباشد [ 21 ، 44 ]] اما به طور کلی با خرابکاری دیجیتال صادق است. برخی الگوهای دیگر نیز از تجزیه و تحلیل پدیدار شدند، مانند اینکه به نظر می رسد جامعه OSM با گذشت زمان در کشف و اصلاح رویدادهای خرابکاری سریعتر می شود. این به طور بالقوه می‌تواند با بهبود تدریجی ابزارهای تشخیص خرابکاری موجود، مانند OSMCha و وب‌سایت Find Suspicious OpenStreetMap Changesets توضیح داده شود. همچنین به نظر می‌رسد که رابطه معکوس بین زمان لازم برای کشف و رفع خرابکاری و تعداد رویدادهای خرابکاری وجود دارد. توضیح احتمالی این است که وقتی تعداد زیادی از موارد خرابکاری رخ می دهد، جامعه به این نوع خاص از خرابکاری توجه بیشتری می کند. چرخه دوره های خرابکاری PGO بالا (به اوج در شکل 6) با به روز رسانی های دوره ای نقشه PGO مطابقت دارد. به روز رسانی های مستندی بین دسامبر 2016 و ژانویه 2017 و بین دسامبر 2017 و ژانویه 2018 وجود دارد [ 18 ]. این نشان می‌دهد که حداقل برای کارتو وندالیسم مربوط به بازی‌های مبتنی بر مکان، سازندگان بازی‌ها می‌توانند بر وندالیسم تأثیر بگذارند و به طور بالقوه آن را کاهش دهند. به عنوان مثال، هنگام کشیدن به روز رسانی های نقشه پویا به PGO به طور مداوم. این همچنین در مقاله سفید منتشر شده توسط اعضای جامعه PGO، که دیدگاه خود را در مورد اینکه چگونه داده های نقشه باید در بازی گنجانده شوند، توضیح داده شده است [ 18 ]]. یکی از پیشنهادات آنها شفافیت در زمینه به روز رسانی نقشه است. بدون شک، هماهنگی بین جامعه نقشه برداری و مصرف کنندگان داده برای مبارزه با خرابکاری مفید خواهد بود. جدا از دانستن اینکه چه زمانی یک به روز رسانی نقشه برنامه ریزی شده وجود دارد (و در نتیجه افزایش تعداد رویدادهای خرابکاری)، این همکاری بالقوه می تواند شامل افشای داده های نقشه مورد استفاده باشد. بخش 3.2ویژگی های نقشه تخریب شده را تجزیه و تحلیل کرد و نشان داد که چگونه انواع خاصی از ویژگی ها بیشتر از سایرین تحت تأثیر خرابکاری PGO قرار می گیرند. این به طور مستقیم با نحوه استفاده PGO از داده های OSM مرتبط است، زیرا این ویژگی ها بر منابع موجود در بازی تأثیر می گذارد. در حال حاضر، جامعه PGO مجموعه ای از تگ های OSM را تأیید کرده است که منابع بازی آنها را در کاغذ سفید بالا افزایش می دهد. بنابراین ارتباط باز بین سازندگان بازی، جامعه نقشه برداری و بازیکنان (1) ویرایش های نقشه آزمایشی و خطای بازیکنان را هنگام مهندسی معکوس بازی حذف می کند و (2) ترکیب برچسب هایی را برای جامعه نقشه برداری فراهم می کند که می تواند در خرابکاری استفاده شود. سیستم های تشخیص

بر خلاف انواع دیگر خرابکاران آنلاین، مانند ترول ها و هکرها، که اقدامات آنها تکراری است [ 45 ]، بازیکنان PGO فعالیت خود را در طول زمان حفظ نمی کنند و معمولاً بعداً برای خراب کردن OSM باز نمی گردند، که به دلیل انگیزه های متفاوت آنها است. در حالی که ترول ها و هکرها ممکن است از روی بی حوصلگی یا بر اساس ایدئولوژی عمل کنند، این شیطنت است که خرابکاران PGO را هدایت می کند که هدف آنها کسب منافع شخصی است. هنگامی که این امر محقق نمی شود، زیرا، برای مثال، ویرایش های آنها برگردانده می شود، انجام دوباره آن فایده ای ندارد، که در شکل 12 تأیید شده است.آ. بخشی از رویدادهای خرابکاری PGO نیز نتیجه ناآگاهی است، زیرا بازیکنان PGO تازه وارد به OSM اغلب نمی توانند استانداردهای جامعه را درک کنند. نتایج ما نشان می‌دهد که خرابکاری PGO در مقیاس محلی اتفاق می‌افتد، زیرا 94 درصد ویرایش‌ها در کمتر از 5 کیلومتر پخش می‌شوند، که با میانگین فاصله دورترین نقاط PGO یک بازیکن در یک روز مطابقت دارد [ 46 ]]. با این حال، مشخص شد که بخش کوچکی از کاربران خرابکار (1.1٪) در چندین مکان مجزا دور از یکدیگر خرابکاری می کنند. بنابراین، هنگام توصیف رفتار کاربر با معیارهای فضایی جهانی، مانند شعاع چرخش، باید توجه شود. فضای فعالیت خرابکاران PGO به طور قابل توجهی کوچکتر از مجموعه ای از نمونه تصادفی از کاربران OSM است. برخلاف این، رفع خرابکاری الگوهای مکانی و زمانی کاملاً متفاوتی را نشان می‌دهد، زیرا عمدتاً توسط گروهی اختصاصی از ویراستاران انجام می‌شود که مکرراً خرابکاری را اصلاح می‌کنند. این گروه ویژگی های مشابهی با جنگجویان خرابکار شناسایی شده در ویکی پدیا نشان می دهد [ 47]. علاوه بر این، این گروه از خرابکاران نیز تنوع بیشتری دارد. دو استراتژی اصلی بر اساس الگوهای فضایی رفع شناسایی شد. تقریباً نیمی از این کاربران خرابکاری را فقط در محدوده خانه خود رفع کردند. این شبیه به PPGIS عمومی (سیستم‌های اطلاعات جغرافیایی مشارکتی عمومی)/شرکت‌کنندگان پروژه VGI است که اگر معیشتشان نزدیک به وظایف نقشه‌برداری باشد، بیشترین تلاش را از خود نشان می‌دهند [ 48 ]، در این مورد خرابکاری را رفع می‌کنند. کاربران باقی مانده، خرابکاری را بدون تمرکز جغرافیایی مشخص، و اغلب دور از منطقه خود رفع کردند. این نشان می دهد که انگیزه آنها فقط رفع خرابکاری بدون توجه به منطقه جغرافیایی بوده است. این احتمال وجود دارد که این کاربران به شدت از سیستم های تشخیص خرابکاری موجود برای کشف محتوای مخرب استفاده کنند.

بر اساس یک نظرسنجی در بین بازیکنان PGO [ 32 ]، کسانی که به طور سازنده نقشه های OSM را ویرایش می کنند دقیقاً همان نوع ویژگی هایی را ویرایش می کنند که تحت تأثیر خرابکاری PGO قرار می گیرند. بنابراین تصمیم گیری در مورد اینکه آیا ویرایش OSM خرابکاری است یا نه تنها بر اساس محتوا دشوار است. این همچنین یک سوال مهم را مطرح می‌کند: آیا محبوبیت بازی‌های مبتنی بر مکان که VGI را برای مخاطبان انبوه قابل مشاهده می‌کنند، می‌تواند توسط جامعه نقشه‌برداری برای به دست آوردن مشارکت‌کنندگان جدید از این گروه جدید از افراد مورد سوء استفاده قرار گیرد یا خیر. این مقاله سعی در پاسخ به این سوال ندارد. با این حال، تحقیقات قبلی نشان می‌دهد که انواع رویدادهای خاص (مثلاً مقالات رسانه‌ای با مخاطبان انبوه) می‌توانند باعث افزایش مشارکت‌کنندگان جدید شوند [ 39 ، 49 ]]. جامعه OSM که به طور خاص به PGO مرتبط است، قبلاً پس از اینکه یک فرد آنلاین محبوب در ویدیویی بیان کرد که بازیکنان باید OSM را ویرایش کنند، قبلاً در برزیل و پرتغال پیشرفت زیادی را مشاهده کردند ( https://www.openstreetmap.org/user/Jennings%20Anderson/diary/ 390743#comment45514 ). همچنین ذکر این نکته ضروری است که همه کاربران PGO OSM را خراب نمی کنند و چندین عضو جامعه OSM نیز بازیکنان PGO هستند.

اهمیت این تحقیق را می توان به صورت زیر خلاصه کرد. این شکاف مهم در ادبیات را با توصیف خرابکاری نقشه‌کشی با رویکرد داده‌محور پر کرد و یافته‌های قبلی در مورد این موضوع را تأیید و گسترش داد. تحقیقات قبلی یا از رویکردهای کیفی استفاده می کردند یا بر حجم نمونه کوچکی تکیه می کردند. نتایج تجزیه و تحلیل ما می تواند برای بهبود سیستم های تشخیص خرابکاری در آینده استفاده شود. این نتایج شامل ویژگی‌های خرابکاران، محتوایی که به OSM اضافه می‌کنند و همچنین توزیع مکانی و زمانی ویرایش‌های آن‌ها است. ما انتظار داریم که این مزایا بر جامعه نقشه برداری عمدتاً از دو طریق تأثیر بگذارد. اول، منابع (زمان و تلاش) مورد نیاز برای مقابله با وندالیسم با بهبود تشخیص خرابکاری کمتر خواهد شد. دومین، بهبود تشخیص خرابکاری احتمال دریافت داده های بد توسط اشخاص ثالث را کاهش می دهد و داده های بد را به مخاطبان انبوه نشان می دهد. در حالی که اجتناب کامل از داده های بد به دلیل خرابکاری غیرممکن است، کاهش فرکانس باید تأثیر مثبتی بر اعتبار کلی VGI داشته باشد.

4.2. محدودیت های مطالعه

یکی از محدودیت های مطالعه ارائه شده این است که بر قضاوت جامعه OSM در مورد اینکه آیا یک مجموعه تغییرات خرابکاری محسوب می شود یا خیر، تکیه دارد. در حالی که درست است که اکثر تغییراتی که توسط یک عضو باتجربه از جامعه در این زمینه بازگردانده شده‌اند، خرابکاری بوده‌اند، ممکن است برخی نکات مثبت نادرست نیز ثبت شده باشند. برای مثال، اگر Reverter دانش محلی در یک منطقه نداشته باشد و قصد نقشه‌بردار دیگری را اشتباه ارزیابی کند. این روش همچنین به گونه ای طراحی نشده بود که تمام خرابکاری های مرتبط با PGO را در OSM نشان دهد. انتظار می‌رود که (1) اصلاحات مربوط به PGO که در طول دوره مطالعه اتفاق افتاد، توسط روش ما شناسایی نشد، و (2) برخی خرابکاری‌های PGO کشف نشده باقی ماند و هرگز توسط کسی بازگردانده نشد. با وجود این محدودیت های آشکار،

محدودیت دیگر از این واقعیت ناشی می شود که این تحقیق فقط PGO و OSM را تجزیه و تحلیل می کند، که به وضوح همه بازی های مبتنی بر مکان و پلت فرم های VGI را نشان نمی دهند. در نتیجه، نتایج کلی که برای همه پلتفرم‌های VGI و بازی‌های مبتنی بر مکان اعمال می‌شود ممکن است در برخی موارد مناسب نباشد. به عنوان مثال، نتایج تجزیه و تحلیل محتوا هنگام اعمال در برنامه های مختلف باید با احتیاط مورد استفاده قرار گیرد زیرا آنها مختص PGO هستند. به طور مشابه، PGO یک تجربه کاربری محلی را فراهم می کند که کاربران را ملزم به تعامل با محیط نزدیک خود می کند. این لزوماً یک ویژگی کلی همه بازی‌های مبتنی بر مکان نیست. بنابراین، گستره فضایی وندالیسم کارتوگرافی همیشه به مقیاس های محلی محدود نمی شود. در حالی که VGI مشابه سایر فرآیندهای ایجاد داده های مکانی مشارکتی است، مانند PPGIS و شهروندی، تفاوت های مهمی وجود دارد. به عنوان مثال، عمل PPGIS با طراحی یک فرآیند آهسته، دقیق و تکراری است بر خلاف هدف VGI که جمع‌آوری سریع داده‌ها از یک مخاطب بزرگ است.9 ]. در نتیجه، PPGIS ممکن است کمتر از VGI مستعد خرابکاری باشد.

5. خلاصه و کار آینده

این مقاله خرابکاری نقشه برداری را با استفاده از Pokémon GO و OSM به عنوان مثال تجزیه و تحلیل می کند. ابتدا، ما یک روش برای شناسایی رویدادهای خرابکاری همراه با رفع آنها ارائه کردیم. این پیوندها به ما این امکان را داد که نه تنها رویدادهای خرابکاری بلکه واکنش جامعه نقشه برداری را نیز مطالعه کنیم. نتایج با آنچه برای خرابکاری دیجیتالی مربوط به ویکی‌پدیا توصیف شده است، و با تعداد کمی از مطالعات قبلی که خرابکاری نقشه‌کشی را تجزیه و تحلیل می‌کنند، همسو هستند. این یافته‌ها می‌توانند راه‌هایی را برای بهبود و تنظیم دقیق سیستم‌های تشخیص خرابکاری موجود ارائه دهند، که به نوبه خود به حفظ اعتبار VGI و صرفه‌جویی در زمان و منابع برای جامعه نقشه‌برداری که با خرابکاری مبارزه می‌کنند، کمک می‌کند. یافته های اصلی این تحقیق را می توان به شرح زیر خلاصه کرد:

اکثر رویدادهای کارتونی وندالیسم در یک روز توسط جامعه کشف و رفع می شوند.
زمان تشخیص کارتو وندالیسم مربوط به PGO به تدریج در طول زمان کاهش می یابد.
رویدادهای کارتونی وندالیسم انفرادی مرتبط با PGO از نظر گستردگی اندک هستند اما بر تمام مناطق جهان تأثیر می گذارند.
شدت وندالیسم کارتونی تحت تأثیر نحوه جذب داده های VGI توسط بازی های مبتنی بر مکان است.
کارتو وندالیسم مرتبط با PGO تکراری نیست و اکثر کاربران OSM را در دوره های زمانی طولانی تر خراب نمی کنند.
بخش اختصاصی از جامعه OSM درگیر مبارزه مکرر با خرابکاری در دوره های طولانی تر است.
دو راهبرد مبارزه با وندالیسم شناسایی شد: در منطقه خانه خود و بدون تمرکز جغرافیایی.

اگرچه تجزیه و تحلیل ارائه شده در این مقاله مختص PGO و OSM بود، یافته ها ممکن است پیامدهایی برای قلمرو بزرگتر VGI و نقشه برداری مشارکتی داشته باشند. مسلماً هر زمان که یک فرآیند مشارکتی در ایجاد داده های مکانی دخیل باشد، خطر نفوذ محتوای مضر به پروژه وجود دارد. با این حال، به دلیل ماهیت متفاوت فرآیندهای مشارکتی، سطح تهدید خرابکاری برای پروژه های مختلف باید بیشتر مورد مطالعه قرار گیرد. به عنوان مثال، VGI ممکن است به دلیل ماهیت پویا و مشارکتی تر، بیشتر از PPGIS یا پروژه های علمی شهروندی مستعد خرابکاری باشد. با این حال، زمانی که منابع معتبر منابع و روش‌های لازم برای اقدام سریع را نداشته باشند، همیشه به داده‌های به‌روز نیاز خواهند بود، زیرا رویدادهای خاصی رخ می‌دهند (مثلاً بلایا). جنبه دیگر سطح جزئیاتی است که ممکن است ارائه کنند. نمونه اخیر شیوع کروناویروس 2019/2020 (COVID-19) است که سازمان بهداشت جهانی تعداد موارد تایید شده را به تفکیک کشور منتشر می کند. این تجمع، تنوع فضایی دقیق انتشار ویروس را می پوشاند. برای غلبه بر این، پروژه‌های داوطلبانه متعددی از سراسر جهان پدید آمدند که نقشه‌های دقیقی را از گزارش‌های رسانه‌های مختلف و بیانیه‌های مطبوعاتی رسمی تهیه می‌کردند. تصور اینکه چگونه وندالیسم نقشه‌کشی ناشی از شیطنت می‌تواند باعث ایجاد هیستری یا وحشت جمعی خطرناک در صورت گزارش موارد آلوده خیالی شود، دشوار نیست. به همین دلیل، برای درک اینکه چگونه خرابکاری نقشه‌کشی بر پروژه‌های فضایی مشارکتی تأثیر می‌گذارد، و برای تعیین قوانین کلی برای شناسایی خرابکاری، به تحقیقات بیشتری نیاز است. که سازمان بهداشت جهانی تعداد موارد تایید شده را به تفکیک کشور منتشر می کند. این تجمع، تنوع فضایی دقیق انتشار ویروس را می پوشاند. برای غلبه بر این، پروژه‌های داوطلبانه متعددی از سراسر جهان پدید آمدند که نقشه‌های دقیقی را از گزارش‌های رسانه‌های مختلف و بیانیه‌های مطبوعاتی رسمی تهیه می‌کردند. تصور اینکه چگونه وندالیسم نقشه‌کشی ناشی از شیطنت می‌تواند باعث ایجاد هیستری یا وحشت جمعی خطرناک در صورت گزارش موارد آلوده خیالی شود، دشوار نیست. به همین دلیل، برای درک اینکه چگونه خرابکاری نقشه‌کشی بر پروژه‌های فضایی مشارکتی تأثیر می‌گذارد، و برای تعیین قوانین کلی برای شناسایی خرابکاری، به تحقیقات بیشتری نیاز است. که سازمان بهداشت جهانی تعداد موارد تایید شده را به تفکیک کشور منتشر می کند. این تجمع، تنوع فضایی دقیق انتشار ویروس را می پوشاند. برای غلبه بر این، پروژه‌های داوطلبانه متعددی از سراسر جهان پدید آمدند که نقشه‌های دقیقی را از گزارش‌های رسانه‌های مختلف و بیانیه‌های مطبوعاتی رسمی تهیه می‌کردند. تصور اینکه چگونه وندالیسم نقشه‌کشی ناشی از شیطنت می‌تواند باعث ایجاد هیستری یا وحشت جمعی خطرناک در صورت گزارش موارد آلوده خیالی شود، دشوار نیست. به همین دلیل، برای درک اینکه چگونه خرابکاری نقشه‌کشی بر پروژه‌های فضایی مشارکتی تأثیر می‌گذارد، و برای تعیین قوانین کلی برای شناسایی خرابکاری، به تحقیقات بیشتری نیاز است. پروژه‌های داوطلبانه متعددی از سراسر جهان پدیدار شدند که نقشه‌های دقیقی را از گزارش‌های رسانه‌های مختلف و بیانیه‌های مطبوعاتی رسمی جمع‌آوری می‌کنند. تصور اینکه چگونه وندالیسم نقشه‌کشی ناشی از شیطنت می‌تواند باعث ایجاد هیستری یا وحشت جمعی خطرناک در صورت گزارش موارد آلوده خیالی شود، دشوار نیست. به همین دلیل، برای درک اینکه چگونه خرابکاری نقشه‌کشی بر پروژه‌های فضایی مشارکتی تأثیر می‌گذارد، و برای تعیین قوانین کلی برای شناسایی خرابکاری، به تحقیقات بیشتری نیاز است. پروژه‌های داوطلبانه متعددی از سراسر جهان پدیدار شدند که نقشه‌های دقیقی را از گزارش‌های رسانه‌های مختلف و بیانیه‌های مطبوعاتی رسمی جمع‌آوری می‌کنند. تصور اینکه چگونه وندالیسم نقشه‌کشی ناشی از شیطنت می‌تواند باعث ایجاد هیستری یا وحشت جمعی خطرناک در صورت گزارش موارد آلوده خیالی شود، دشوار نیست. به همین دلیل، برای درک اینکه چگونه خرابکاری نقشه‌کشی بر پروژه‌های فضایی مشارکتی تأثیر می‌گذارد، و برای تعیین قوانین کلی برای شناسایی خرابکاری، به تحقیقات بیشتری نیاز است.

تحقیقات آینده ما در دو جهت توسعه خواهد یافت. ابتدا، خرابکاری نقشه برداری را در زمینه بزرگتر نقشه برداری مشارکتی بررسی می کند، و در مورد VGI، به این موضوع می پردازد که آیا تعاملات و ارتباطات بین جامعه نقشه برداری و خرابکاران اولین بار می تواند برخی از این کاربران را به اعضای ارزشمند نقشه برداری OSM تبدیل کند یا خیر. انجمن.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

کووید 19	بیماری ویروس کرونای 2019
OSM	OpenStreetMap
VGI	اطلاعات جغرافیایی داوطلبانه
PGO	پوکمون GO
PPGIS	سیستم های اطلاعات جغرافیایی مشارکتی عمومی
UGGC	محتوای جغرافیایی تولید شده توسط کاربر
regex	عبارات با قاعده

منابع

ببینید، L. مونی، پی. فودی، جی. باستین، ال. کامبر، ا. استیما، ج. فریتز، اس. کرل، ن. جیانگ، بی. Laakso، M. Crowdsourcing، دانش شهروندی یا اطلاعات جغرافیایی داوطلبانه؟ وضعیت فعلی اطلاعات جغرافیایی جمع سپاری شده. ISPRS Int. J. Geoinf. 2016 ، 5 ، 55. [ Google Scholar ] [ CrossRef ]
هاکلی، م. Weber, P. OpenStreetMap: نقشه های خیابانی توسط کاربر. IEEE Perv. محاسبه کنید. 2008 ، 7 ، 12-18. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
اسنپ، آی. نتایج مالی سه ماهه چهارم و کل سال 2019 شرکت اسنپ. گزارش فنی، سانتا مونیکا، کالیفرنیا، ایالات متحده آمریکا. 2020. در دسترس آنلاین: https://investor.snap.com/~/media/Files/S/Snap-IR/press-release/q4-19-earnings-release.pdf (در 6 فوریه 2020 قابل دسترسی است).
Statista. محبوب‌ترین برنامه‌های مرتبط با بازی موبایل در ایالات متحده از سپتامبر ۲۰۱۹، توسط کاربران ماهانه. گزارش فنی. 2019. در دسترس آنلاین: https://www.statista.com/statistics/580150/most-popular-us-gaming-apps-ranked-by-audience/ (دسترسی در 6 فوریه 2020).
بالاتور، A. تخریب نقشه: وندالیسم نقشه‌کشی در عوام دیجیتال. کارتوگر. J. 2014 ، 51 ، 214-224. [ Google Scholar ] [ CrossRef ]
ویکی OpenStreetMap. وندالیسم در دسترس آنلاین: https://wiki.openstreetmap.org/wiki/ Vandalism (در 6 فوریه 2020 قابل دسترسی است).
نقشه خیابان باز OSM وندالیسم ضدیهودی اخیر را محکوم می کند. در دسترس آنلاین: https://blog.openstreetmap.org/2018/08/30/osm-condemns-vandalism/ (در 6 فوریه 2020 قابل دسترسی است).
گوپال، اس. داستان عجیب اینکه چگونه پوکمون گو دریاچه ها و پارک ها را در خانه های مردم قرار می دهد. هاف پست . 2018. موجود آنلاین: https://www.huffingtonpost.in/2018/11/23/the-strange-story-of-how-pokemon-go-put-lakes-and-parks-in-peoples-homes_a_23593466/ ( قابل دسترسی در 6 فوریه 2020).
ورپلانکه، جی. مک کال، MK; اوبرهواگا، سی. رامبالدی، جی. هاکلی، ام. دیدگاه مشترک برای PGIS و VGI. کارتوگر. J. 2016 ، 53 ، 308-317. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سودن، آر. Palen, L. از نقشه برداری جمعی تا نقشه برداری جامعه: کار پس از زلزله OpenStreetMap هائیتی. در مجموعه مقالات یازدهمین کنفرانس بین المللی طراحی سیستم های تعاونی (COOP 2014)، نیس، فرانسه، 27 تا 30 مه 2014. [ Google Scholar ]
جوهاز، ال. Hochmair، HH کجا همه آنها را بگیریم؟—تحلیل جغرافیایی مکان‌های پوکمون گو. ژئوسپات. Inf. علمی 2017 ، 20 ، 241-251. [ Google Scholar ] [ CrossRef ]
خمزینا، م. Parab، KV; آن، ر. بولارد، تی. Grigsby-Toussaint، DS Impact Pokémon Go بر فعالیت بدنی: مروری سیستماتیک و متاآنالیز. صبح. J. قبلی پزشکی 2020 ، 58 ، 270-282. [ Google Scholar ] [ CrossRef ]
Nigg، CR; متئو، دی جی؛ جی پوکمون گو ممکن است باعث افزایش فعالیت بدنی و کاهش رفتارهای کم تحرک شود. صبح. J. بهداشت عمومی 2017 ، 107 ، 37-38. [ Google Scholar ] [ CrossRef ]
آلتوف، تی. سفید، RW; Horvitz، E. تأثیر پوکمون گو بر فعالیت بدنی: مطالعه و پیامدها. جی. مد. بین المللی Res. 2016 ، 18 ، e315. [ Google Scholar ] [ CrossRef ]
بادر، ام. Hackenbroch، K. فضای عمومی به عنوان کد/فضا: جغرافیاهای پوکمون گو. در مجموعه مقالات کنفرانس AESOP-Young Academics، مونیخ، آلمان، 10 تا 13 آوریل 2017. [ Google Scholar ] [ CrossRef ]
گونگ، اچ. هاسینک، آر. Maus, G. Pokémon Go در مورد جغرافیا به ما چه می آموزد؟ Geographica Helvetica 2017 ، 72 ، 227–230. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وسترهولت، آر. لری، ح. Höfle، B. اثرات رفتاری سیستم‌های امتیازدهی ساختار یافته فضایی در بازی‌های جدی مبتنی بر مکان – مطالعه موردی در زمینه نقشه خیابان باز. ISPRS Int. J. Geoinf. 2020 ، 9 ، 129. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
کاربر WoodWose. OpenStreetMap و GO: آنچه باید قبل از به‌روزرسانی بعدی تغییر کند. در دسترس آنلاین: https://thesilphroad.com/science/openstreetmap-problems-pokemon-go/ (در 6 فوریه 2020 قابل دسترسی است).
ویگاس، FB؛ واتنبرگ، ام. دیو، ک. مطالعه همکاری و تضاد بین نویسندگان با تجسم جریان تاریخ. در مجموعه مقالات کنفرانس SIGCHI در مورد عوامل انسانی در سیستم های محاسباتی. CHI ’04; انجمن ماشین های محاسباتی: وین، اتریش، 2004; صص 575-582. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بوریول، LS; کاستیو، سی. دوناتو، دی. لئوناردی، س. میلوزی، اس. تحلیل زمانی ویکیگراف. در مجموعه مقالات کنفرانس بین المللی IEEE/WIC/ACM در زمینه هوش وب، هنگ کنگ، چین، 18-22 دسامبر 2006. ص 45-51. [ Google Scholar ] [ CrossRef ]
چانه، SC; خیابان، WN; سرینیواسان، پ. آیشمن، دی. تشخیص خرابکاری ویکی‌پدیا با یادگیری فعال و مدل‌های زبانی آماری. در مجموعه مقالات چهارمین کارگاه آموزشی اعتبار اطلاعات؛ WICOW ’10; انجمن ماشین‌های محاسباتی: رالی، NC، ایالات متحده آمریکا، 2010. صص 3-10. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
نیس، پ. گوتز، ام. Zipf، A. Towards Automatic Vandalism Detection در OpenStreetMap. ISPRS Int. J. Geoinf. 2012 ، 1 ، 315-332. [ Google Scholar ] [ CrossRef ]
کلمن، دی جی; جورجیادو، ی. Labonte, J. داوطلبانه اطلاعات جغرافیایی: ماهیت و انگیزه تولیدکنندگان. بین المللی جی. اسپات. زیرساخت داده Res. IJSDIR 2009 ، 4 ، 332-358. [ Google Scholar ] [ CrossRef ]
کوین، اس. Bull, F. درک تهدیدها برای کیفیت داده‌های جغرافیایی جمع‌سپاری شده از طریق مطالعه ممنوعیت‌های مشارکت‌کننده OpenStreetMap. در استفاده از سیستم اطلاعات جغرافیایی در سازمان های عمومی – چگونه و چرا باید از GIS در بخش عمومی استفاده شود . Valcik, N., Dean, D., Eds. تیلور و فرانسیس: نیویورک، نیویورک، ایالات متحده آمریکا، 2019؛ صص 80-96. [ Google Scholar ] [ CrossRef ]
Haklay, M. اطلاعات جغرافیایی داوطلبانه چقدر خوب است؟ مطالعه تطبیقی مجموعه داده‌های OpenStreetMap و Ordnance Survey. محیط زیست طرح. B طرح. دس 2010 ، 37 ، 682-703. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Goodchild، MF; Li, L. اطمینان از کیفیت اطلاعات جغرافیایی داوطلبانه. تف کردن آمار 2012 ، 1 ، 110-120. [ Google Scholar ] [ CrossRef ]
ترامولاس، جی. گاریدو پیکازو، پی. سانچز-کازابون، تحقیق هوش مصنوعی در مورد خرابکاری ویکی‌پدیا: بررسی مختصر ادبیات. در مجموعه مقالات چهارمین کنفرانس اسپانیایی در مورد بازیابی اطلاعات. CERI ’16; انجمن ماشین‌های محاسباتی: گرانادا، اسپانیا، 2016. صص 1-4. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Truong، QT; تویا، جی. Runz، CD به سوی شناسایی خرابکاری در OpenStreetMap از طریق یک رویکرد مبتنی بر داده. در دهمین کنفرانس بین المللی علم اطلاعات جغرافیایی (GIScience، 2018) ؛ Winter, S., Griffin, A., Sester, M., Eds. مجموعه مقالات بین المللی لایب نیتس در انفورماتیک (LIPIcs); Schloss Dagstuhl–Leibniz-Zentrum fuer Informatik: Dagstuhl، آلمان، 2018; جلد 114. [ Google Scholar ] [ CrossRef ]
ویکی OpenStreetMap. کشف وندالیسم در دسترس آنلاین: https://wiki.openstreetmap.org/wiki/Detect_Vandalism (در 6 فوریه 2020 قابل دسترسی است).
مارتینلی، ال. آیا می‌توانیم هر تغییری را در OSM تأیید کنیم؟ در وضعیت نقشه 2018؛ میلان ایتالیا. 2018. در دسترس آنلاین: https://2018.stateofthemap.us/program/can-we-validate-every-change-on-osm.html (در 6 فوریه 2020 قابل دسترسی است).
ویکی پدیا:واحد مبارزه با خرابکاری/مطالعات وندالیسم/مطالعه1. شناسه نسخه صفحه: 893343780. موجود به صورت آنلاین: https://en.wikipedia.org/w/index.php?title=Wikipedia:Counter-Vandalism_Unit/Vandalism_studies/Study1&oldid=893343780 (دسترسی در 6 فوریه 20).
جانسون، BA چگونه یک بازی واقعیت افزوده (Pokémon GO) بر مشارکت داوطلبان در OpenStreetMap تأثیر گذاشت. Proc. ICA 2019 ، 2 ، 1-4. [ Google Scholar ] [ CrossRef ]
جوهاز، ال. هوچمیر، اچ. کیائو، اس. Novack, T. بررسی اثرات خرابکاری Pokémon Go در OpenStreetMap. در مجموعه مقالات مسیر تحصیلی در وضعیت نقشه 2019، هایدلبرگ، آلمان، 21 تا 23 سپتامبر 2019؛ Minghini, M., Grinberger, AY, Juhász, L., Mooney, P., Yeboah, G., Eds.; 2019; صص 3-4. [ Google Scholar ] [ CrossRef ]
مونی، پی. Corcoran, P. فرآیند حاشیه نویسی در OpenStreetMap. ترانس. GIS 2012 ، 16 ، 561-579. [ Google Scholar ] [ CrossRef ]
کسلر، سی. ترام، جی. Kauppinen، T. پیگیری فرآیندهای ویرایش در اطلاعات جغرافیایی داوطلبانه: مورد OpenStreetMap. شناسایی اشیاء، فرآیندها و رویدادها در داده های توزیع شده مکانی-زمانی (IOPE). در مجموعه مقالات کارگاه در کنفرانس تئوری اطلاعات فضایی 2011 (COSIT’11)، بلفاست، ME، ایالات متحده آمریکا، 12 تا 16 سپتامبر 2011. [ Google Scholar ]
بارتونوف، او. Sigaev, T. جستجوی کامل متن در PostgreSQL—A Gentle Introduction ; گزارش فنی؛ دانشگاه مسکو: مسکو، روسیه، 2007. [ Google Scholar ]
Loos, EE Glossary of Lingusistic Terms ; SIL International: دالاس، تگزاس، ایالات متحده آمریکا، 2003. [ Google Scholar ]
ویکی OpenStreetMap. API نسخه 0.6. در دسترس آنلاین: https://wiki.openstreetmap.org/wiki/API_v0.6 (در 11 فوریه 2020 قابل دسترسی است.).
بگین، دی. دیویلر، آر. Roche، S. ثبت نام مشارکت کنندگان در جوامع آنلاین مشترک: مورد OpenStreetMap. ژئوسپات. Inf. علمی 2017 ، 20 ، 282-295. [ Google Scholar ] [ CrossRef ]
ویکی OpenStreetMap. Overpass API/Augmented Diffs. در دسترس آنلاین: https://wiki.openstreetmap.org/wiki/Overpass_API/Augmented_Diffs (در 6 فوریه 2020 قابل دسترسی است).
جوهاز، ال. Hochmair، HH بررسی متقاطع فعالیت های کاربر در شبکه های رسانه های جغرافیایی-اجتماعی متعدد. در مجموعه مقالات بیست و یکمین کنفرانس AGILE در علم اطلاعات جغرافیایی، کاستلون، اسپانیا، 3 تا 16 ژوئن 2018. [ Google Scholar ]
نیس، پ. Zipf، A. تجزیه و تحلیل فعالیت مشارکت کننده یک پروژه داوطلبانه اطلاعات جغرافیایی – مورد OpenStreetMap. ISPRS Int. J. Geoinf. 2012 ، 1 ، 146-165. [ Google Scholar ] [ CrossRef ]
هاولکا، بی. سیتکو، آی. بینات، ای. سوبولفسکی، اس. پاولوس، ک. کارلو، آر. توییتر را به عنوان نماینده الگوهای تحرک جهانی در موقعیت جغرافیایی قرار داد. کارتوگر. Geogr. Inf. علمی 2014 ، 41 ، 260-271. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کیتور، ا. Kraut، RE مهار خرد جمعیت در ویکی پدیا: کیفیت از طریق هماهنگی. در مجموعه مقالات کنفرانس ACM در سال 2008 در زمینه کار تعاونی با پشتیبانی کامپیوتری. CSCW ’08; انجمن ماشین‌های محاسباتی: سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 2008. صص 37-46. [ Google Scholar ] [ CrossRef ]
شچاف، پ. هارا، ن. فراتر از خرابکاری: ترول های ویکی پدیا. J. Inf. علمی 2010 ، 36 ، 357-370. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آندون، من. بلاشکیویچ، ک. بومر، ام. مارکووتز، الف. تأثیر بازی‌های مبتنی بر مکان بر استفاده و حرکت تلفن: مطالعه موردی در Pokémon GO. در مجموعه مقالات نوزدهمین کنفرانس بین المللی تعامل انسان و رایانه با دستگاه ها و خدمات تلفن همراه; MobileHCI ’17; انجمن ماشین های محاسباتی: وین، اتریش، 2017; صص 1-8. [ Google Scholar ] [ CrossRef ]
Welser، HT; کاسلی، دی. کوسینتس، جی. لین، ا. دوکشین، ف. گی، جی. اسمیت، ام. یافتن نقش های اجتماعی در ویکی پدیا. در مجموعه مقالات iConference 2011; آی کنفرانس ’11; انجمن ماشین‌های محاسباتی: سیاتل، WA، ایالات متحده آمریکا، 2011; صص 122-129. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
براون، جی. مروری بر اثرات نمونه گیری و سوگیری پاسخ در نقشه برداری مشارکتی اینترنتی (PPGIS/PGIS/VGI). ترانس. GIS 2017 ، 21 ، 39-56. [ Google Scholar ] [ CrossRef ]
بگین، دی. دیویلر، آر. Roche, S. چرخه زندگی مشارکت کنندگان در جوامع آنلاین مشترک – مورد OpenStreetMap. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 1611-1630. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]

شکل 1. ( الف ) گوشی هوشمندی که Pokémon Go (PGO) را با رابط نقشه خود اجرا می کند و ( ب ) کاربر PGO که مسیرهای تقلبی را به OpenStreetMap (OSM) در پارک اضافه می کند. اعتبار تصویر: ( الف ) https://paintimpact.com/ CC-BY، ( ب ) https://github.com/mapbox/mapping/issues/259 .

شکل 2. شناسایی پیوندهای بین خرابکاری و اصلاح. ( الف ) از طریق جستجوی regex، و ( ب ) از طریق استخراج تغییرات از تاریخچه ویژگی‌ها.

شکل 3. نمونه ای از پیش تنظیم پیش فرض JOSM با سطوح مختلف دسته بندی.

شکل 4. توزیع فضایی خرابکاری PGO.

شکل 5. بازسازی مناطق خانه. ( الف ) مرکزها را تغییر دهید. ( ب ) مثلث های دلونی ساخته شده از مرکز تغییرات. ( ج ) حذف مثلث‌هایی با محیط‌های بزرگ، و ( د ) منطقه فعالیت نهایی پس از ادغام مثلث‌ها و حذف مناطق پیوسته با تنها چند تغییر. ( ه ) مناطق فعالیت کاربران فیکسر در بخش شرقی ایالات متحده و کانادا.

شکل 6. جدول زمانی وندالیسم مرتبط با PGO در OSM. ( الف ) تعداد تغییرات ماهانه، ( ب ) تعداد ماهانه کاربران و ( ج ) تعداد تجمعی کاربران.

شکل 7. ویژگی های زمانی رفع خرابکاری. ( الف ) توزیع تجمعی تکمیلی زمان صرف شده توسط جامعه برای رفع هر خرابکاری در یک نمودار ورود به سیستم، و ( ب ) میانگین زمان لازم برای رفع خرابی که هر ماه ارائه می‌شود که روند کاهشی را نشان می‌دهد. خطاهای استاندارد به صورت نوار خطا نشان داده می شوند.

شکل 8. رابطه معکوس بین تعداد تغییرات خراب شده و میانگین زمان صرف شده برای تعمیر آنها.

شکل 9. انتخاب نرم افزار ویرایشگر برای ( الف ) خرابکاری PGO و ( ب ) رفع خرابکاری.

شکل 10. ویژگی های OSM جدید ایجاد شده بر اساس پیش تنظیم پیش فرض JOSM طبقه بندی شده اند.

شکل 11. تغییرات در دسته بندی ویژگی ها در خرابکاری PGO.

شکل 12. اشتراک انواع مختلف کاربر برای ( الف ) رویدادهای خرابکاری PGO و ( ب ) برای اصلاحات.

شکل 13. منحنی های تجمعی کاربران با شعاع چرخش تا یک مقدار معین.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

خرابکاری نقشه‌کشی در عصر بازی‌های مبتنی بر مکان – مورد OpenStreetMap و Pokémon GO

خلاصه

کلید واژه ها: