[論文レビュー] Geotagged tweets to inform a spatial interaction model: a case study of museums

Robin Lovelace, Nick Malleson+2 more|arXiv (Cornell University)|Mar 20, 2014

Geographic Information Systems Studies参考文献 43被引用数 10

ひとこと要約

本研究では、イギリスヨークシャーにおける美術館訪問の空間的相互作用モデルを、地理的にタグ付けされたツイートを用いて補正する手法を提案する。ツイートデータを活用して179の領域間の訪問者流入を推定し、モデルの適合度が向上することを示した。本研究は、公式統計が不足する状況において、ソーシャルメディアデータが地理的行動モデル化の補完的手段として有効である可能性を示している。

ABSTRACT

This paper explores the potential of volunteered geographical information from social media for informing geographical models of behavior, based on a case study of museums in Yorkshire, UK. A spatial interaction model of visitors to 15 museums from 179 administrative zones is constructed to test this potential. The main input dataset comprises geo-tagged messages harvested using the Twitter Streaming Application Programming Interface (API), filtered, analyzed and aggregated to allow direct comparison with the model's output. Comparison between model output and tweet information allowed the calibration of model parameters to optimize the fit between flows to museums inferred from tweets and flow matrices generated by the spatial interaction model. We conclude that volunteered geographic information from social media sites have great potential for informing geographical models of behavior, especially if the volume of geo-tagged social media messages continues to increase. However, we caution that volunteered geographical information from social media has some major limitations so should be used only as a supplement to more consistent data sources or when official datasets are unavailable.

研究の動機と目的

• ソーシャルメディアからのボランタリー地理的情報（VGI）が、人間行動の地理的モデルにどのように寄与できるかを評価すること。
• 地理的にタグ付けされたツイッター・データを用いて、実際の美術館訪問者流入を代替指標とする空間的相互作用モデルを構築し、補正すること。
• 公式統計とは対照的に、ツイートから導出された移動パターンが、モデルの精度をどの程度向上させるかを評価すること。
• ソーシャルメディアデータを空間的行動モデル化に用いる際の主な制限事項と実務的制約を特定すること。

提案手法

• 179の行政区域から15の美術館への訪問者流入を予測するための空間的相互作用モデルを構築した。
• 地理的にタグ付けされたツイートは、Twitter Streaming APIを介して収集され、美術館訪問に関連するものに限定された。
• ツイートデータは出発地域ごとに集計され、推定された訪問者移動を表すフローマトリクスが作成された。
• モデルのパラメータは、ツイートから導出された流入とモデル予測流入との差を最小化することで補正された。
• モデルは重力に基づく定式化を採用しており、地域間の相互作用は距離と魅力（例えば、美術館の規模や人気度）に依存する。
• モデルの適合度は、地理的にタグ付けされたツイートから推定された流入と比較して評価され、決定係数（R-squared）や平均二乗誤差（RMSE）といった統計指標が用いられた（補正プロセスに内在）。

実験結果

リサーチクエスチョン

• RQ1 地理的にタグ付けされたツイートは、文化観光分野における空間的相互作用をモデル化するための信頼できる代替データとして機能するか？
• RQ2 ソーシャルメディアから得られる移動パターンのみを用いて、空間的相互作用モデルをどの程度補正できるか？
• RQ3 公式統計ではなくツイートデータで訓練された場合、空間的相互作用モデルの適合度は、どの程度向上するか？
• RQ4 行動モデル化にソーシャルメディアからのボランタリー地理的情報（VGI）を用いる際の主な制限要因は何か？

主な発見

• 地理的にタグ付けされたツイートデータを用いて補正された空間的相互作用モデルは、適合度が向上した。これは、ソーシャルメディアデータが訪問者移動の代替指標として有効である可能性を示している。
• ツイートから導出されたフローマトリクスは、特に訪問者が多い地域において、実際の美術館訪問パターンを妥当に近似していた。
• 公式データが入手困難または一貫性に欠ける状況において、ソーシャルメディアデータがモデル補正を強化できることを同定した。
• 可能性は示されたが、著者らは、ソーシャルメディアからのVGIが若年層やテクノロジーに精通したユーザーに偏っている可能性があり、特定の人口統計的グループを十分に代表していないと警告している。
• 地理的にタグ付けされたツイートの量と空間的分布は、モデルの信頼性および補正の正確性に大きな影響を及ぼす要因であることが明らかになった。