[논문 리뷰] Socio-spatial Self-organizing Maps: Using Social Media to Assess Relevant Geographies for Exposure to Social Processes

Kunal Relia, Mohammad Akbari외 2명|PubMed|2018. 03. 23.

Data-Driven Disease Surveillance참고 문헌 78인용 수 6

한 줄 요약

이 논문은 지리적으로 일관된 지역을 사회적 태도의 잠재적 요소로부터 추출한 지리정보가 부여된 트위터 데이터를 기반으로 식별하기 위해 신경망 임bedding과 위상적으로 제약된 군집화를 결합한 새로운 방법인 사회공간 자기조직화 맵(Socio-spatial Self-organizing Maps, SS-SOMs)을 제안한다. 이 방법은 행정구역 기반의 우편번호 집계 방식보다 뛰어나, 뉴욕시 내 동성간관계를 가진 남성들(MSM)의 인종차별과 동성애 혐오에 노출되는 정도의 변동성을 최대 42% 더 잘 드러내며, 더 높은 공간 해상도와 정확도로 미묘하고 변화하는 사회적 환경 노출을 포착할 수 있음을 보여준다.

ABSTRACT

Social media offers a unique window into attitudes like racism and homophobia, exposure to which are important, hard to measure and understudied social determinants of health. However, individual geo-located observations from social media are noisy and geographically inconsistent. Existing areas by which exposures are measured, like Zip codes, average over irrelevant administratively-defined boundaries. Hence, in order to enable studies of online social environmental measures like attitudes on social media and their possible relationship to health outcomes, first there is a need for a method to define the collective, underlying degree of social media attitudes by region. To address this, we create the Socio-spatial-Self organizing map, "SS-SOM" pipeline to best identify regions by their latent social attitude from Twitter posts. SS-SOMs use neural embedding for text-classification, and augment traditional SOMs to generate a controlled number of nonoverlapping, topologically-constrained and topically-similar clusters. We find that not only are SS-SOMs robust to missing data, the exposure of a cohort of men who are susceptible to multiple racism and homophobia-linked health outcomes, changes by up to 42% using SS-SOM measures as compared to using Zip code-based measures.

연구 동기 및 목표

• 높은 공간 해상도에서 인종차별과 동성애 혐오와 같은 사회적으로 민감하고 조사하기 어려운 태도를 측정하는 데 도전하는 것.
• 지역사회 환경의 이질성을 평균화하는 우편번호와 같은 행정경계의 한계를 극복하는 것.
• 노이즈가 많고 흐린 소셜미디어 데이터에서의 집단적 정서를 기반으로 지리적으로 일관되고 위상적으로 제약된 지역을 식별하는 방법을 개발하는 것.
• 공중보건 및 사회과학 연구에서 사회적 환경 노출을 더 정확하게 평가할 수 있도록 돕는 것.
• 실제 뉴욕시 내 젊은 동성간관계를 가진 남성들(MSM)에 대한 인종차별과 동성애 혐오에 관한 데이터를 활용해 이 방법의 유용성을 입증하는 것.

제안 방법

• SS-SOM 파이프라인은 텍스트 분류를 위한 신경망 임베딩을 활용해 트위터 게시물에서 인종차별과 동성애 혐오에 대한 정서를 추출한다.
• 수정된 자기조직화 맵(SOM) 알고리즘을 적용하여 지리적으로 위치가 지정된 트위터 게시물을 잠재적 사회적 정서 기반으로 비중복이고 위상적으로 제약된 지역군으로 군집화한다.
• 데이터 밀도에 따라 지역을 가중치를 적용함으로써 트윗 수의 공간적 변동성을 고려하여 흐린 관측치나 희박한 관측치에 대한 강건성을 향상시킨다.
• 이중 단계 과정을 사용한다: 첫 번째로, 정제된 키워드 목록과 인간이 검토한 지침을 기반으로 트윗을 인종차별 또는 동성애 혐오로 분류하고, 두 번째로 임bed된 정서 벡터를 기반으로 군집화한다.
• 결과적으로 생성된 군집은 특정 지리적 하위영역에서의 집단적 사회적 태도를 나타내며, 임의의 행정경계를 실증적으로 유도된 사회지리학적 경계로 대체한다.
• 이 방법은 뉴욕시 내 MSM을 대상으로 한 코hort에서 SS-SOM 기반 노출 측정치를 기존의 우편번호 기반 집계 방식과 비교하여 검증되었다.

실험 결과

연구 질문

• RQ1 소셜미디어 데이터는 어떻게 잠재적 사회적 태도, 예를 들어 인종차별과 동성애 혐오에 기반해 지리적으로 의미 있는 지역을 식별할 수 있는가?
• RQ2 SS-SOM 기반의 노출 측정치는 사회적 환경 노출의 변동성을 측정할 때 우편번호 경계 기반 측정치와 얼마나 다를까?
• RQ3 지리적으로 위치가 지정된 소셜미디어 스트림에서 누락되거나 희박한 데이터에 대해 SS-SOMs는 얼마나 강건한가?
• RQ4 온라인에서의 인종차별과 동성애 혐오 표현 간의 공간적 관계는 어떠하며, 이들은 어떻게 지역사회 내에서 동시에 발생하는가?
• RQ5 SS-SOMs는 관리구역보다 더 높은 해상도에서 실제 사회적 과정을 반영하는 의미 있는 위상적으로 일관된 사회적 군집을 탐지할 수 있는가?

주요 결과

• SS-SOMs는 트위터 데이터에서 유도된 잠재적 사회적 정서를 기반으로 비중복, 위상적으로 제약된, 주제적으로 유사한 지리적 군집을 성공적으로 식별한다.
• 이 방법은 데이터 밀도에 대한 가중치 기반 메커니즋试로 누락된 데이터에 강건하며, 트윗 수가 적은 지역에서도 잘 작동한다.
• 뉴욕시 내 MSM 코hort에 적용한 결과, SS-SOM 기반 노출 측정치는 우편번호 기반 측정치에 비해 인종차별과 동성애 혐오에 대한 노출 변동성을 최대 42% 더 잘 드러냈다.
• 온라인에서의 인종차별과 동성애 혐오의 유병률은 일반적으로 상관관계가 있지만, 반대는 성립하지 않는다: 많은 지역에서 동성애 혐오가 인종차별보다 더 높은 유병률을 보이며, 이는 서로 다른 사회적 역학을 시사한다.
• SS-SOM 파이프라인은 관리구역인 우편번호와 비교해 더 잘 반영된 지역 사회 규범과 태도를 반영하는 지리적으로 일관된 군집을 생성한다.
• 이 방법은 사회적 환경 노출을 더 세밀하고 정확하게 평가할 수 있도록 하며, 이는 차별과 관련된 건강 격차를 연구하는 데 핵심적이다.