رویکرد تحلیل ژئوویژوال برای بررسی گفتمان سیاسی عمومی در توییتر

خلاصه

ما الگوهای فضایی تجسم توییت‌ها (SPoTvis) را معرفی می‌کنیم، یک ابزار تحلیلی مبتنی بر وب برای کاوش پیام‌ها در توییتر (یا «توییت‌ها») جمع‌آوری‌شده درباره گفتمان سیاسی، و پتانسیل این رویکرد را با یک مطالعه موردی با تمرکز بر مجموعه‌ای از رویدادهای سیاسی مرتبط در ایالات متحده در اکتبر 2013، بحث کنگره ایالات متحده در مورد تخصیص بودجه به قانون حمایت از بیمار و مراقبت مقرون به صرفه (که معمولاً به عنوان ACA یا “Obamacare” شناخته می شود) با تعطیلی 16 روزه دولت به اوج خود رسید. در همین حال، بازار آنلاین بیمه سلامت مرتبط با ACA در حال شروع به کار عمومی بود که به دلیل مشکلات عملکردی و عملکردی با مشکل مواجه شد. پیام‌هایی در توییتر در این دوره زمانی شامل نظرات کاملاً متفاوت درباره این رویدادها بود. با خشم بسیاری از مردم از تعطیلی و حمایت دیگران از تاخیر اجرای ACA. SPoTvis از تجزیه و تحلیل این رویدادها با استفاده از یک نقشه تعاملی که به صورت پویا به نمودار قطبیت اصطلاحی متصل است، پشتیبانی می کند. از طریق رابط SPoTvis، کاربران می توانند موضوعات فرعی غالب توییت ها را در هر دو ایالت یا منطقه کنگره مقایسه کنند. ویژگی‌های جمعیتی و اطلاعات سیاسی روی نمایشگر، همراه با عملکرد برای نشان دادن ویژگی‌های (غیر) مشابه، درک کاربران را از واحدهای مورد مقایسه غنی می‌کند. روابط بین مکان‌ها، سیاست و گفتمان در توییتر با استفاده از تحلیل‌های آماری اندازه‌گیری می‌شود و به صورت بصری با استفاده از SPoTvis بررسی می‌شود. یک مطالعه کاربر دو قسمتی، توانایی SPoTvis را برای فعال کردن کشف بینش، و همچنین طراحی، عملکرد و کاربرد ابزار در زمینه‌های دیگر ارزیابی می‌کند. SPoTvis از تجزیه و تحلیل این رویدادها با استفاده از یک نقشه تعاملی که به صورت پویا به نمودار قطبیت اصطلاحی متصل است، پشتیبانی می کند. از طریق رابط SPoTvis، کاربران می توانند موضوعات فرعی غالب توییت ها را در هر دو ایالت یا منطقه کنگره مقایسه کنند. ویژگی‌های جمعیتی و اطلاعات سیاسی روی نمایشگر، همراه با عملکرد برای نشان دادن ویژگی‌های (غیر) مشابه، درک کاربران را از واحدهای مورد مقایسه غنی می‌کند. روابط بین مکان‌ها، سیاست و گفتمان در توییتر با استفاده از تحلیل‌های آماری اندازه‌گیری می‌شود و به صورت بصری با استفاده از SPoTvis بررسی می‌شود. یک مطالعه کاربر دو قسمتی، توانایی SPoTvis را برای فعال کردن کشف بینش، و همچنین طراحی، عملکرد و کاربرد ابزار در زمینه‌های دیگر ارزیابی می‌کند. SPoTvis از تجزیه و تحلیل این رویدادها با استفاده از یک نقشه تعاملی که به صورت پویا به نمودار قطبیت اصطلاحی متصل است، پشتیبانی می کند. از طریق رابط SPoTvis، کاربران می توانند موضوعات فرعی غالب توییت ها را در هر دو ایالت یا منطقه کنگره مقایسه کنند. ویژگی‌های جمعیتی و اطلاعات سیاسی روی نمایشگر، همراه با عملکرد برای نشان دادن ویژگی‌های (غیر) مشابه، درک کاربران را از واحدهای مورد مقایسه غنی می‌کند. روابط بین مکان‌ها، سیاست و گفتمان در توییتر با استفاده از تحلیل‌های آماری اندازه‌گیری می‌شود و به صورت بصری با استفاده از SPoTvis بررسی می‌شود. یک مطالعه کاربر دو قسمتی، توانایی SPoTvis را برای فعال کردن کشف بینش، و همچنین طراحی، عملکرد و کاربرد ابزار در زمینه‌های دیگر ارزیابی می‌کند. کاربران می توانند موضوعات فرعی غالب توییت ها را در هر دو ایالت یا منطقه کنگره مقایسه کنند. ویژگی‌های جمعیتی و اطلاعات سیاسی روی نمایشگر، همراه با عملکرد برای نشان دادن ویژگی‌های (غیر) مشابه، درک کاربران را از واحدهای مورد مقایسه غنی می‌کند. روابط بین مکان‌ها، سیاست و گفتمان در توییتر با استفاده از تحلیل‌های آماری اندازه‌گیری می‌شود و به صورت بصری با استفاده از SPoTvis بررسی می‌شود. یک مطالعه کاربر دو قسمتی، توانایی SPoTvis را برای فعال کردن کشف بینش، و همچنین طراحی، عملکرد و کاربرد ابزار در زمینه‌های دیگر ارزیابی می‌کند. کاربران می توانند موضوعات فرعی غالب توییت ها را در هر دو ایالت یا منطقه کنگره مقایسه کنند. ویژگی‌های جمعیتی و اطلاعات سیاسی روی نمایشگر، همراه با عملکرد برای نشان دادن ویژگی‌های (غیر) مشابه، درک کاربران را از واحدهای مورد مقایسه غنی می‌کند. روابط بین مکان‌ها، سیاست و گفتمان در توییتر با استفاده از تحلیل‌های آماری اندازه‌گیری می‌شود و به صورت بصری با استفاده از SPoTvis بررسی می‌شود. یک مطالعه کاربر دو قسمتی، توانایی SPoTvis را برای فعال کردن کشف بینش، و همچنین طراحی، عملکرد و کاربرد ابزار در زمینه‌های دیگر ارزیابی می‌کند. درک کاربران از واحدهای مورد مقایسه را غنی کنید. روابط بین مکان‌ها، سیاست و گفتمان در توییتر با استفاده از تحلیل‌های آماری اندازه‌گیری می‌شود و به صورت بصری با استفاده از SPoTvis بررسی می‌شود. یک مطالعه کاربر دو قسمتی، توانایی SPoTvis را برای فعال کردن کشف بینش، و همچنین طراحی، عملکرد و کاربرد ابزار در زمینه‌های دیگر ارزیابی می‌کند. درک کاربران از واحدهای مورد مقایسه را غنی کنید. روابط بین مکان‌ها، سیاست و گفتمان در توییتر با استفاده از تحلیل‌های آماری اندازه‌گیری می‌شود و به صورت بصری با استفاده از SPoTvis بررسی می‌شود. یک مطالعه کاربر دو قسمتی، توانایی SPoTvis را برای فعال کردن کشف بینش، و همچنین طراحی، عملکرد و کاربرد ابزار در زمینه‌های دیگر ارزیابی می‌کند.

کلید واژه ها:

تجزیه و تحلیل جغرافیایی ; نمایش نقشه کشی ; تجسم چند مقیاسی ; سیاست ؛ تحلیل گفتمان ; توییتر ؛ کلان داده ؛ ارزیابی کاربر

1. مقدمه و زمینه سیاسی

تجزیه و تحلیل ژئوویژوال ریشه در تجزیه و تحلیل بصری دارد، یک حوزه بین رشته‌ای با قدمت یک دهه که بر توسعه، بکارگیری و درک کاربرد روش‌ها و ابزارهایی تمرکز دارد که پشتیبانی دیداری- محاسباتی را برای استدلال تحلیلی فراهم می‌کنند [ 1 ]. تجزیه و تحلیل ژئوویژوال رویکردهای نقشه برداری و علوم GIS را به طور گسترده تری با رویکردهای تحلیل بصری ادغام می کند. آن را به عنوان تمرکز بر روی رابط‌های بصری به روش‌های تحلیلی/محاسباتی که استدلال با/درباره اطلاعات جغرافیایی را پشتیبانی می‌کنند – برای ایجاد بینش در مورد چیزی که مکان برای آن مهم است، توصیف شده است [ 2 ]]. نقشه‌ها در روش‌های تجزیه و تحلیل ژئو بصری مرکزی هستند، و برنامه اولیه تجزیه و تحلیل ژئو بصری از نماهای متعدد و به صورت پویا استفاده می‌کند تا کاربران را قادر سازد تا تنوع جغرافیایی در پدیده‌های مورد علاقه را بررسی کنند. این رویکرد در اینجا در توسعه یک ابزار تجزیه و تحلیل جغرافیایی، الگوهای فضایی برنامه تجسم توییت ها (SPoTvis) اتخاذ شده است. SPoTvis برای پشتیبانی از تحلیل گفتمان سیاسی عمومی که در آن اختلاف نظر محتمل است و آن تفاوت در جای خود است، طراحی شده است. در اینجا، ما رویکرد، پیاده‌سازی و قابلیت‌های SPoTvis را از طریق تحلیل موردی یک وضعیت سیاسی تفرقه‌انگیز در ایالات متحده، با تمرکز بر رویدادهای پاییز 2013 و بازتاب آن‌ها در گفتمان توییتر در آن زمان ارائه می‌کنیم.

در سال 2010، کنگره ایالات متحده قانون حمایت از بیمار و مراقبت مقرون به صرفه (که معمولاً به عنوان ACA یا “Obamacare” شناخته می شود) تصویب کرد که به طور قابل توجهی قوانین و بازار بیمه سلامت کشور را اصلاح کرد. این رای گیری ها بیشتر در راستای خطوط حزبی صورت گرفت، به طوری که دموکرات ها عموما از این لایحه حمایت کردند و جمهوری خواهان مخالف آن بودند. بحث بر سر تامین مالی این قانون بین تصویب قانون و اجرای آن ادامه داشت. در 1 اکتبر 2013، دولت فدرال ایالات متحده به دلیل عدم توافق در مورد اینکه آیا بودجه ACA در تخصیص مالی عمومی آن برای سال 2014 لحاظ می شود یا خیر، تعطیل شد. در همان روز، بازار بیمه آنلاین HealthCare.gov که توسط ACA تعیین شده بود، دست به کار بدی زد. اولین بار، با زمان انتظار طولانی و خرابی هایی که سایت را آزار می دهد و مانع ثبت نام می شود. تعطیلی در نهایت با سازش کنگره 16 روز بعد پایان یافت.

در روزهای قبل، حین و پس از تعطیلی، گفتگوهای توییتری پیرامون این رویدادها به همان اندازه که گفتمان سیاستمداران تقسیم شده بود، به نظر می رسید. هشتگ‌های #shutdown و #Obamacare اغلب در این دوره پرطرفدار بودند، با توئیت‌های خشن خطاب به محرکان تعطیلی و همچنین حامیان ACA. با این حال، تشخیص این که این رگه‌های پیام از کجا سرچشمه می‌گیرند و آیا همیشه از همان مردم می‌آمدند، دشوار بود. همانطور که در این مدت گفتگوی آنلاین را اسکن کردیم، دو هدف اصلی تحقیقاتی ظاهر شد. ابتدا، می‌خواستیم تعیین کنیم که آیا می‌توان موضوعات فرعی دیگری را فراتر از هشتگ‌های عمومی #shutdown و #Obamacare شناسایی کرد. آیا صحبتی از سوی کارکنان دولتی مرخصی در مورد مشکلات مالی خانوارها وجود داشت؟ آیا مردم در مورد تعطیلی پارک های ملی و بناهای تاریخی صحبت می کردند؟ آیا افرادی که در ثبت نام بیمه در HealthCare.gov مشکلاتی را ذکر می کردند؟ ما امیدوار بودیم که از سر و صدا فراتر رفته و دردناک ترین موضوعات مورد توجه ساکنان ایالات متحده را پیدا کنیم.

دوم، ما می خواستیم الگوهای فضایی را در استفاده از این موضوعات فرعی کشف کنیم. آیا الگوهای حمایت و مخالفت با تعطیلی از مناطق جغرافیایی شناخته شده تسلط حزب جمهوری خواه و دموکرات پیروی می کند؟ آیا گفتمان عمومی در یک حوزه کنگره با موضع سیاسی نماینده کنگره منطقه مطابقت داشت؟ چه موضوعات فرعی در مناطق مختلف کشور بیشتر مورد توجه بود؟ چه مناطقی در مورد موارد مشابه صحبت می کردند؟

بقیه این مقاله توسعه، کاربرد و ارزیابی SPoTvis را به عنوان یک ابزار تحلیلی ژئو بصری مبتنی بر وب توصیف می‌کند که به کاربران کمک می‌کند تا برخی از پاسخ‌های سؤالات بالا را کشف کنند. این ابزار یک نمودار قطبیت اصطلاح همراه با یک جفت نقشه تعاملی را ارائه می دهد که به کاربران امکان می دهد موضوعات فرعی توییتر را بین هر دو ایالت یا ناحیه کنگره مقایسه کنند ( شکل 1).). مضامین وزن شده و بر روی محور افقی پلاریته قطبی قرار می گیرند که نشان دهنده یک زنجیره مورد علاقه بین دو منطقه است. اصطلاحات نزدیک به لبه‌های چپ و راست محور فقط در یکی از دو واحد سیاسی ظاهر می‌شوند، در حالی که عبارت‌های نزدیک به مرکز محور الگوهای استفاده متعادل‌تری را بین دو واحد تجربه می‌کنند. ویژگی‌های جمعیت‌شناختی و شاخص‌های حزب‌گرایی اطلاعات زمینه‌ای اضافی را ارائه می‌کند که درک کاربران را از اینکه چگونه گفتگو از تمایلات سیاسی پیروی می‌کند غنی می‌کند. در نهایت، گزینه ای برای “دیدن مناطق مشابه” به تعیین اینکه آیا الگوهای منطقه ای در گفتمان وجود دارد یا خیر کمک می کند. همانطور که کاربران نقشه را کاوش می کنند و این عملکردها را انجام می دهند، می توانند به طور فزاینده ای از نحوه ظاهر شدن نظرات و ارزش های مختلف در یک مکالمه رسانه های اجتماعی در سراسر فضا استفاده کنند.

شکل 1. تصویر از SPoTvis [ 3 ]. ( الف ) نمودار قطبیت اصطلاحی؛ ( ب ) نماهای نقشه؛ ( ج ) پانل جمعیتی. PVI، شاخص رای‌دهندگان حزبی.

در بخش‌های بعدی، ابتدا ارزش کاوش در داده‌های توییتر را با استفاده از برنامه‌های تحلیل بصری توجیه می‌کنیم. سپس فرآیند جمع‌آوری داده‌های خود را ترسیم می‌کنیم و یافته‌های حاصل از تجزیه و تحلیل آماری را در مورد روابط بین مکان‌ها، سیاست و گفتمان در توییتر در چارچوب تعطیلی دولت ایالات متحده در سال 2013 ارائه می‌کنیم. در مرحله بعد، در مورد منطق پشت طراحی SPoTvis، نحوه پیاده سازی ابزار و ملاحظات عملکرد و قابلیت استفاده آن بحث می کنیم. ما نتایج مختصری در مورد الگوهای فضایی-سیاسی یافت شده با استفاده از SPoTvis ارائه می دهیم. سپس توانایی SPoTvis را برای فعال کردن کشف بینش، و همچنین طراحی، عملکرد و کاربرد ابزار در زمینه‌های دیگر با استفاده از یک مطالعه کاربر دو قسمتی ارزیابی می‌کنیم. در نهایت، ما با خلاصه‌ای از یافته‌ها و مسیرهای هیجان‌انگیز آینده برای توسعه SPoTvis نتیجه‌گیری می‌کنیم.

2. توجیه برای ویژوال آنالیتیکس و استفاده از توییتر

روزنامه‌نگاران و دانشمندان به‌طور فزاینده‌ای از داده‌های رسانه‌های اجتماعی برای کشف داستان‌های با ارزش خبری یا برای درک بهتر اینکه مردم درباره چه چیزی صحبت می‌کنند و چگونه اطلاعات را به اشتراک می‌گذارند، استفاده می‌کنند. به عنوان مثال، محققان نشان داده‌اند که عموم مردم می‌توانند در هنگام بلایای طبیعی و سایر شرایط اضطراری با استفاده از رسانه‌های اجتماعی مانند توییتر اطلاعات تولید و منتشر کنند [ 4 ]. همچنین اندازه گیری فعالیت بیماری [ 5 ] و احساسات عمومی در مورد تغییرات آب و هوا [ 6 ] امکان پذیر است]. در حالی که توییتر جریان بی پایانی از مکالمات را برای مطالعه بالقوه فراهم می کند، منطقی کردن و نتیجه گیری از چنین منابع داده بزرگی چالش برانگیز است. گنجاندن جزء جغرافیایی توییت‌ها یا جایی که مردم از آنجا توییت می‌کنند، این فرآیند را پیچیده‌تر می‌کند. همانطور که در بالا ذکر شد، تجزیه و تحلیل بصری ابزارها و چارچوب هایی را برای رسیدگی به این چالش ها فراهم می کند [ 1 ، 7 ].

در دنیای مجازی توییتر، گفتگوی سیاسی از ساختار منحصر به فردی پیروی می کند و در میان گروه خاصی از کاربران توییتر اتفاق می افتد که نماینده همه کاربران نیستند. اسمیت و همکاران [ 8 ] هزاران شبکه موضوعی توییتر را نقشه برداری کرد و شش نوع مختلف از جمعیت شبکه را بر اساس ساختارهای اجتماعی متمایز شناسایی کرد. نویسندگان دریافتند که موضوعات سیاسی داغ اغلب منجر به جمعیت های قطبی می شود که یکدیگر را نادیده می گیرند و منابع مختلفی را به اشتراک می گذارند. وابستگی حزبی اغلب جمعیت را از هم جدا می کند، و اگرچه هر دو جمعیت بر یک موضوع متمرکز هستند، تعامل کمی بین آنها اتفاق می افتد. دیاکوپولوس و همکاران [ 9] بررسی کرد که چگونه اختلاف سیاسی توییت شده در طول رویدادهای پخش می تواند برای تحقیق روزنامه نگاری در ابزار VoxCivitas استفاده شود. نویسندگان توییت‌هایی را در طول سخنرانی پرزیدنت اوباما در سال 2009 در نشست کپنهاگ 15 جمع‌آوری کردند و کلمات کلیدی و احساسات را از آنها استخراج کردند. VoxCivitas به کاربران اجازه می دهد تا با کلمات کلیدی برجسته ای که در طول سخنرانی توییت شده اند جستجو و فیلتر کنند. این ابزار احساسات را در یک جدول زمانی نمایش می دهد تا ارزیابی کند که آیا واکنش توییتر در آن زمان در سخنرانی مثبت، منفی، بحث برانگیز یا خنثی بوده است. در حالی که SPoTvis معیار صریح احساسات را محاسبه یا گزارش نمی‌کند، اما امضای منحصربه‌فردی از موضوعات گفتگو را که توسط هر دو واحد سیاسی به نمایش گذاشته می‌شود، نمایش می‌دهد، رویکردی که می‌تواند تجزیه و تحلیل احساسات استاندارد را تکمیل کند.

سایر تحقیقات اخیر که مستقیماً با SPoTvis مرتبط است، از تحلیل کلمات کلیدی و رویکردهای تجسم پویا برای استخراج موضوعات سیاسی و احساسات از داده‌های توییتر استفاده کرده است. خو و همکاران [ 10 ] از داده‌های توییتر مربوط به انتخابات ریاست‌جمهوری ایالات متحده در سال 2012 و همچنین جنبش اشغال وال استریت برای نشان دادن نقش تعیین‌کننده «رهبران عقیده» نخبگان در گفتگوهای رسانه‌های اجتماعی استفاده کرد. نویسندگان رقابت عمومی موضوعات مرتبط با دو رویداد سیاسی را با استفاده از مدل‌سازی موضوع و تجسم‌های یکپارچه خط داستانی-ThemeRiver [ 11 ] ارزیابی کردند. تسو و همکاران [ 12] همچنین از انتخابات ریاست جمهوری 2012 به عنوان مطالعه موردی استفاده کرد، اما بررسی کرد که چگونه کلمات کلیدی مربوط به نامزدهای سیاسی در واکنش به رویدادهای مهم تغییر می کنند. نویسندگان به وضوح چگونگی تغییر مکالمات آنلاین در مورد نامزدهای سیاسی را پس از یک رویداد مهم، مانند طوفان، و چگونگی ارتباط گفتگوها با نامزدهای سیاسی ثبت کردند. نویسندگان همچنین نسبت توئیت های باراک اوباما در مقابل میت رامنی را قبل و بعد از چنین رویدادهایی ترسیم کردند. آنها دریافتند که بحث جغرافیایی در مورد نامزدها صرفاً منعکس کننده نقشه رای گیری نیست.

در حالی که تحقیقات در مورد استفاده و نقشه برداری از رسانه های اجتماعی بدون شک در حال رشد است، استفاده از داده های توییتر همچنان چالش برانگیز است. نمایش ساده توییت‌ها بر روی نقشه، از نظر طراحی نقشه‌کشی و توانایی شناسایی الگوها بسیار مطلوب است [ 7 ]. با این حال، تجسم موضوعات رسانه های اجتماعی مهم است زیرا مکالمات آنلاین به روش های پیچیده و غیرقابل پیش بینی ظاهر می شوند. ما هنوز هیچ تحلیل یا ابزاری پیدا نکرده ایم که دو واحد فضایی را بر اساس محتوای توییتر آنها مقایسه کند، جایی در ادبیاتی که SPoTvis پر می کند. ترکیبی از نقشه‌های تعاملی و عناصر بصری پیاده‌سازی شده در SPoTvis مسیری را به سمت معناسازی و تجسم و تجزیه و تحلیل معنادار بر اساس داده‌های بزرگ جغرافیایی اجتماعی ارائه می‌دهد.

3. جمع آوری و تجزیه و تحلیل داده ها

داده‌های این برنامه شامل داده‌های مکانی است که نشان‌دهنده مرزهای سیاسی در ایالات متحده (در سطح ایالت و منطقه کنگره)، داده‌های جمعیتی و سیاسی است که زمینه فرهنگی و توییت‌هایی درباره تعطیلی دولت و ACA ارائه می‌دهد.

3.1. داده های مکانی و ویژگی های جمعیتی

داده‌های فضایی در این پروژه شامل مرزهای ایالت ایالات متحده و همچنین مرزهای ناحیه برای مجلس نمایندگان ایالات متحده است. ایالات متحده یک مجلس قانونگذاری دو مجلسی دارد که در آن اعضای سنا در سطح ایالتی انتخاب می شوند و اعضای مجلس نمایندگان بر اساس یک منطقه جغرافیایی انتخاب می شوند که به طور بالقوه می تواند کوچکتر (اما نه بزرگتر) از یک مرز ایالتی باشد. استفاده از دو مقیاس تجمیع فضایی به کاربران اجازه می دهد تا فضای سیاسی را برای سناتورها و نمایندگان مجلس مقایسه کنند. همچنین به کاربران این امکان را می‌دهد که هم تفاوت‌های منطقه‌ای گسترده و هم تنوع محلی بیشتر در مضامین گفتگو را تشخیص دهند.

برای کمک به کاربران در زمینه‌سازی الگوهای موجود در محتوای توییت، ویژگی‌های جمعیت‌شناختی را برای ایالت‌ها و مناطق مسکونی جمع‌آوری کردیم که ممکن است بینشی در مورد نحوه مشاهده مردم قانون تعطیلی و مراقبت مقرون به صرفه ارائه دهد. متوسط درآمد خانوار و درصد افراد بیکار (سن 16 سال و بالاتر) یک احساس کلی از وضعیت اقتصادی و نگرانی های سیاسی در یک منطقه یا ایالت مشخص می کند. درصد بدون بیمه درمانی ممکن است بینشی در مورد احساس مردم در مورد قانون مراقبت مقرون به صرفه ایجاد کند. در نهایت، درصد جمعیت شاغلی که برای دولت فدرال کار می‌کنند، ایده‌ای از اینکه چه نسبتی از ایالت یا ناحیه به طور بالقوه در طول تعطیلی تعطیل شده است، به دست می‌دهد. سپس کاربران می توانند استنباط کنند که آیا عوارض مالی و عاطفی تحمیل شده توسط مرخصی ها بر نگرش های منعکس شده توسط توییت ها تأثیر می گذارد یا خیر.

آخرین شاخص رای دهندگان کوک پارتیزان (PVI) موجود برای هر واحد نیز ثبت شد تا به کاربران کمک کند تا تمایلات سیاسی ایالت ها و مناطق را درک کنند. این شاخص رفتار رأی دهی این واحد در انتخابات ریاست جمهوری اخیر را در نظر می گیرد و بر اساس نحوه مقایسه واحد «جمهوری خواه» یا «دموکرات» با واحدهای دیگر در ایالات متحده به واحد امتیاز می دهد. به عنوان مثال، ایالت نوادا دارای PVI کوک D+2 است، به این معنی که کمی به دموکرات ها متمایل است، در حالی که ایالت وایومینگ کوک PVI از R+22 به این معنی است که این ایالت به شدت جمهوری خواه است. Cook PVI که اغلب توسط اتاق‌های فکر، کارشناسان و روزنامه‌نگاران استفاده می‌شود، به درک کاربران از اقناع‌های سیاسی عمومی افرادی که توییت‌هایی را در هر ایالت و ناحیه تولید می‌کنند، کمک می‌کند.

3.2. مجموعه توییت

توییت‌های مورد استفاده در این تحقیق به‌طور مداوم طی یک دوره هشت هفته‌ای بین 1 سپتامبر و 27 اکتبر 2013 جمع‌آوری شدند. این دوره شامل بسیاری از بحث‌های بودجه کنگره ACA، خود تعطیلی و برخی از پیامدهای تعطیلی است. در تمام این دوره، ACA موضوع اصلی مورد توجه در رسانه های خبری و رسانه های اجتماعی بود. برای جزئیات بیشتر مجموعه توییت‌ها، Bodnar and Salathé [ 13 ] را ببینید.

برای گنجاندن در SPoTvis، یک توییت باید حاوی مختصات جغرافیایی دقیق باشد (به عبارت دیگر، ایجاد کننده پیام به صراحت استفاده از خدمات مکان را انتخاب کرده است). یک توییت همچنین باید حاوی یکی از کلمات کلیدی زیر باشد: #shutdown، shutdown، #ACA، ACA، قانون مراقبت مقرون به صرفه، #Obamacare، Obamacare و healthcare.gov. عباراتی مانند “وب سایت”، “سلامت” و “بیمه” در نظر گرفته نشدند، زیرا آنها بیش از حد کلی تلقی می شدند و ممکن است موضوعات غیر مرتبط با موضوعات مورد علاقه ما را معرفی کنند. این مجموعه داده منجر به تقریباً 70000 توییت در داخل مرزهای ایالات متحده شد که می‌توان از آنها برای تجزیه و تحلیل استفاده کرد.

3.3. تجزیه و تحلیل آماری توییت ها

توییت‌ها به‌منظور انجام تجزیه و تحلیل در هر دو سطح ایالتی و منطقه خانگی، به‌صورت فضایی به فایل‌های مرز برداری ذکر شده در بالا پیوست شدند. از بین تمامی ایالت ها، کالیفرنیا با 7169 توئیت و ورمونت با 90 توئیت کمترین را داشتند. از آنجایی که درصد کمی از کاربران توییتر خدمات موقعیت یابی را فعال می کنند، ما اذعان داریم که مجموعه ما تنها نمونه کوچکی از توییت های تولید شده در طول مطالعه را نشان می دهد. دوره زمانی. با این وجود، هیستوگرام در شکل 2 نشان می دهد که اکثر ایالت ها بین 200 تا 1600 توییت داشتند. تعداد توییت‌ها در هر ناحیه از خانه از 42 تا 807، با ناحیه کلمبیا به عنوان نقطه پرت با 4005 متغیر بود.

محتوای متنی توییت ها با استفاده از نرم افزار آماری R نسخه 2.15.1 با استفاده از بسته “tm” مورد تجزیه و تحلیل قرار گرفت. ما متن توییت ها را در قالب داده های پیکره وارد کردیم. پیش پردازش توییت های خام شامل تبدیل متن به حروف کوچک، حذف تمام کلمات توقف انگلیسی، علائم نگارشی و URL ها و حذف فضای خالی اضافی بود. سپس از الگوریتم ریشه پورتر برای تبدیل کلمات عطف به اشکال ریشه آنها استفاده شد.

برای تعیین متداول‌ترین عبارت‌ها در مجموعه داده، ابتدا شمارش کلمات خام روی توییت‌ها انجام شد. برای حفظ ثبات در هنگام ساختن اصطلاح نمودارهای قطبی برای واحدها (که بعداً در این مقاله توضیح داده شد)، ما به صورت دستی 50 مورد از رایج ترین کلمات کلیدی را انتخاب کردیم که در زمینه تحقیق ما معنادار بودند، مانند “obama”، “gop” (یک نام مستعار برای حزب جمهوری خواه)، “کنگره” و “مرخصی”. اصطلاح گسترده «خاموش کردن» (که در اکثر توییت‌ها وجود دارد) و کلمات مبهم مانند «می‌توان» و «هنوز» از این فهرست کلیدواژه حذف شد و به نفع عباراتی بود که بیشتر توصیفی از موضوعات فرعی در گفتگو بودند، مانند «مدرسه»، «کارگر»، «مالیات» و نام سیاستمداران.

شکل 2. توزیع توییت ها بر اساس ایالت.

شکل 3. توزیع توییت ها بر اساس منطقه کنگره.

محبوبیت یک اصطلاح با تعداد توییت های حاوی آن سنجیده می شد. جدول 1 10 کلیدواژه برتر را در سطح ملی نشان می دهد. برای یک واحد معین، به عبارت دیگر، یک ایالت یا یک منطقه جماعت، می‌توانیم برای هر کلمه کلیدی معیار محبوبیت به دست آوریم. بنابراین، می توانیم یک بردار برای واحد مورد نظر بسازیم:

پ (u n i تی من) = (اف 1, \dots, اف ن)

(1)

که در آن F _k = C _k / n _i ، C _k تعداد کل توییت‌های حاوی کلمه کلیدی k- ام و n _i تعداد کل توییت‌ها در واحد i است. شکل 4محبوبیت 10 کلمه کلیدی را برای ناحیه دوم و سوم آلاباما (به ترتیب با کد منطقه 102 و 103) نشان می دهد. توجه داشته باشید که بزرگترین تفاوت در کلمات “gop” و “اوباما” رخ می دهد. مردم منطقه دوم اغلب در مورد “اوباما” توییت می کنند، اما در مورد “gop” بسیار اندک. در این مقایسه خاص از مناطق، هیچ کلمه کلیدی دیگری چنین واریانس زیادی را نشان نمی دهد. مردم در ناحیه سوم از اصطلاحات «اوباما» و «گوپ» با بسامدی استفاده می کنند که بسیار نزدیک به برابر بودن است.

شکل 4. محبوبیت کلیدواژه بین ناحیه دوم و سوم آلاباما (به ترتیب با کد منطقه 102 و ناحیه 103).

جدول 1. ده عبارت رایج در مجموعه داده توییتر.

ویژگی منحصر به فرد SPoTvis این است که به کاربران اجازه می دهد مجموعه ای از مناطقی را که کلمات کلیدی مشابهی را در توییت های خود نشان می دهند، کشف کنند. با ساخت قبلی، برای هر واحد یک بردار N × 1 به عنوان معیار محبوبیت کلمه کلیدی داریم که N تعداد کلمات کلیدی مورد بررسی است. بنابراین، شباهت بین دو ناحیه را می توان با فاصله آنها در این فضای کلیدواژه N (50) بعدی اندازه گیری کرد. در حالی که معیارهای شباهت/فاصله زیادی در ادبیات موجود وجود دارد، ما فاصله اقلیدسی رایج را انتخاب کردیم. برای P ( واحد _i ) و P ( واحد _j) تعریف شده در بالا، فاصله اقلیدسی آنها به صورت زیر تعریف می شود:

E D من ج = (اف من 1 - اف j 1) 2 + \dots + (اف من ن - اف j N) 2 - - - - - - - - - - - - - - - - - - - - - - - - - - \sqrt

(2)

3.4. بررسی پیوندها در میان مکان‌ها، سیاست‌ها و توییت‌ها

ما معیارهای تشابه فوق را بررسی کردیم تا بررسی کنیم که آیا واحدهایی با الگوهای استفاده از کلمه کلیدی مشابه، الگوهای قابل تشخیصی را در گرایش های حزبی نشان می دهند یا خیر. ما فرض کردیم که PVI کوک یک واحد باید با PVI های کوک واحدهای مشابه آن همبستگی مثبت داشته باشد (در اینجا منظور ما “مشابه” از نظر الگوهای استفاده از کلمات کلیدی است)، اما با واحدهای غیرمشابه آن همبستگی منفی دارد. ما ایالت های ایالات متحده را به عنوان واحدهای مورد علاقه انتخاب کردیم و برای هر یک میانگین کوک PVI از 10 ایالت مشابه آن ( Y _1 i ) و همچنین میانگین کوک PVI از 10 حالت متفاوت آن ( Y _2 i ) محاسبه شد. ما دو مدل رگرسیون زیر را ساختیم:

Y 1 i = α + β 1 ایکس من + ϵ

(3)

Y 2 من = α + β 2 ایکس من + ϵ

(4)

که در آن X _i PVI کوک حالت i است. فرضیه های مربوطه عبارتند از H ₁ : β ₁ > 0 و H ₁ : β ₂ < 0.

نتیجه تخمین در جدول 2 نشان داده شده است . هر دوی این ضرایب از نظر آماری معنی دار هستند و نشانه های آنها همان گونه است که ما انتظار داشتیم. توجه داشته باشید که بزرگی این دو ضریب و همچنین مقادیر R-square خیلی زیاد نیستند. این معقول است، زیرا بسیاری از عوامل دیگر می‌توانند روی Cook PVI حالت‌های مشابه تأثیر بگذارند. در شکل 5 نمودار پراکندگی داده ها با خطوط رگرسیون مناسب نشان داده شده است. آبی و قرمز به ترتیب داده های حالت های مشابه و غیر مشابه را نشان می دهند. از این نتایج، می‌توان نتیجه گرفت که کشورهایی با الگوهای مشابه استفاده از کلمات کلیدی در مکالماتشان تمایلات حزبی مشابهی دارند. این نتیجه ساختار جمعیت قطبی شده توسط اسمیت و همکاران را بیشتر تقویت می کند. [ 8] در فضای شبکه مجازی (و نه فضایی).

جدول 2. نتیجه تخمین رگرسیون خطی.

شکل 5. نمودار پراکندگی با خطوط رگرسیون ثابت که PVI کوک یک ایالت را با میانگین PVI کوک 10 حالت مشابه (آبی) و 10 حالت غیرمشابه (قرمز) آن مقایسه می کند.

4. طراحی، عملکرد و استفاده SPoTvis

در این بخش، ما در مورد منطق پشت طراحی SPoTvis بحث می کنیم. نحوه پیاده سازی ابزار و ملاحظات انجام شده برای دستیابی به بهترین عملکرد و قابلیت استفاده را توضیح می دهیم. در نهایت، ما یافته‌هایی را بر اساس اکتشاف داده‌های بصری با استفاده از SPoTvis ارائه می‌کنیم.

4.1. منطق طراحی

مرکز طراحی SPoTvis مقایسه است: «چه کلیدواژه‌های مرتبط با خاموشی در منطقه کنگره من در مقایسه با مثلاً مناطق همسایه توییت می‌شوند؟ در مورد تمام مناطق تحت کنترل یک حزب سیاسی خاص چطور؟ علاوه بر این، آیا می توانم منطقه خود را با روندهای سراسری مقایسه کنم؟ اینها انواع سؤالاتی بودند که ما سعی کردیم به صورت بصری و تعاملی به آنها بپردازیم. علاوه بر این، ما می‌خواهیم این کلمه کلیدی و مقایسه مکانی را با اطلاعات جمعیت‌شناختی، مانند بیکاری، درآمد و ثبت‌نام بیمه سلامت که در همان سطوح مقایسه جمع‌آوری شده‌اند، تکمیل کنیم.

این اهداف نیاز به یک رویکرد دوگانه برای طراحی رابط داشتند. یکی که کاربران را مجبور می کند دو پارامتر را وارد کنند تا مقایسه بین دو موجودیت، دو گروه موجودیت یا یک موجودیت و یک گروه را بررسی کنند. هدف ما جلب علایق تحلیلی و بینش جویانه دانشمندان علوم اجتماعی و روزنامه نگاران خبری، اما همچنین علایق تجسم اجتماعی جامعه در کل بود. اجزای اصلی برنامه شامل یک نمودار قطبی اصطلاح، دو نمای نقشه فضایی و یک پانل نمودار ساده برای آمار جمعیتی است (به شکل 1 مراجعه کنید ).

جزء اصلی رابط عبارت پلاریته است. طرح ترکیبی از تکنیک تجسم متن نسبتاً جدیدتر، کلمه ابر، با نمادهای متناسب است، روشی سنتی تر برای تجسم بزرگی داده های کمی. یکی از اولین پیاده‌سازی‌های ابر کلمه، نقشه ذهنی جمعی از مکان‌های دیدنی در پاریس، به سال 1976 برمی‌گردد [ 14 ]. اولین استفاده از نمادهای تناسبی بسیار زودتر به گرافیک‌های آماری ویلیام پلی‌فر در سال 1801 بازمی‌گردد که مناطق کشورها را نسبت به مناطق دایره [ 15 ].

به طور مستقل، این تکنیک‌ها برای تجسم داده‌ها در محیط وب تعاملی امروزی کاملاً برجسته هستند. یک گزارش استفاده اولیه در Many Eyes [ 16 ]، یک وب‌سایت عمومی توسعه‌یافته توسط IBM که به کاربران اجازه می‌دهد آزادانه داده‌های خود را آپلود کنند و تجسم‌های تعاملی ایجاد کنند، نمودارهای نماد متناسب و ابرهای کلمه را به ترتیب نشان داد که بیشترین و سومین گرافیک پرکاربرد را دارند [ 17 ]. ]. علاوه بر این، کاربران Wordle [ 18 ]، یک ابزار مبتنی بر وب برای تجسم متن، هر ده ثانیه یک wordle جدید ایجاد می کنند [ 19 ]. Wordles ابر واژه استاندارد را از طریق الگوریتم های نوآورانه قرار دادن متن و توجه به زیبایی شناسی پیش می برد، اما فاقد تعامل و قرار دادن کلمات معنایی است.

در تجزیه و تحلیل بصری، تجسم متن ابری کلمه برای ردیابی تکامل محتوا در اسناد در طول زمان استفاده شده است [ 20 ] و برای تمجید از تجسم متن پیشرفته تر، مانند TextFlow، در به تصویر کشیدن چگونگی تکامل موضوعات در مجموعه های متنی بزرگ در طول زمان [ 21 ]. تجسم ابر کلمه با نمودارهای مختصات موازی ترکیب شده است تا تفاوت های منطقه ای و زبانی بین تصمیمات دادگاه مداری ایالات متحده را آشکار کند [ 22 ]. با این حال، تعداد کمی از ابزارهای تجزیه و تحلیل بصری تعاملی، تکنیک های ابر کلمه و نمادهای متناسب را به هم مرتبط می کنند، به استثنای قابل توجه مایک بوستوک و همکاران. [ 23 ] از نیویورک تایمز. در یک مقاله آنلاین، نویسندگان مقایسه بین کلمات استفاده شده توسط دموکرات ها و جمهوری خواهان در کنوانسیون ملی 2012 را تجسم کردند. فونت و اندازه حباب فرکانس استفاده انباشته از کلمه را منتقل می کند و رنگ حباب نسبت استفاده توسط احزاب سیاسی را نشان می دهد.

اصطلاح طرح قطبی ما کار مورد بحث در بالا را با ادغام مولفه فضایی داده های متنی از طریق قرار دادن حباب و نماهای نقشه پیوندی پویا گسترش می دهد. اصطلاح طرح قطبی به صورت بصری فرکانس کلمه کلیدی را برای دو واحد مقایسه شده در یک گرافیک تعاملی واحد رمزگذاری می کند. برای هر مقایسه ای، 50 کلیدواژه تعیین شده مرتبط با خاموشی در بالای حباب های پویا ظاهر می شوند و ذاتاً به آنها مرتبط هستند. اندازه قلم و منطقه حباب به صورت خطی متناسب با تعداد کل دفعاتی که کلمه در دو واحد مقایسه شده توییت شده است، مقیاس بندی می شوند.

موقعیت‌های حباب افقی بر اساس وقوع نسبی بین مقایسه‌های مبتنی بر فضایی به دست می‌آیند و بر روی یک پیوستار واگرا قرار می‌گیرند. به عنوان مثال، یک حباب در مرکز طرح نشان‌دهنده استفاده مشابه بین دو واحد فضایی مورد مقایسه است، در حالی که حباب ترسیم شده در انتهای سمت چپ یا راست نمودار نشان‌دهنده کلمه‌ای است که عمدتاً تنها در یکی از واحدهای مقایسه‌شده وجود دارد. اصطلاحات سیاسی خنثی، مانند “کنگره” اغلب به سمت مرکز ظاهر می شوند، در حالی که سایر اصطلاحات سیاسی بیشتر به سمت لبه های طرح کشیده می شوند. نمونه ای از نمای اولیه نقشه «harryreidsshutdown» (اشاره تحقیرآمیز به رهبر اکثریت دموکرات سنا، هری رید) است که در کنار ایالت های جمهوری خواه ظاهر می شود. توجه به این نکته مهم است که قرارگیری حباب در اصطلاح پلاریته نشان دهنده شباهت در استفاده از اصطلاحات جداگانه بین دو مقایسه فضایی است. در حالی که، عملکرد «مشابه/متفاوت»، موجودیت‌های فضایی را برمی‌گرداند که از نظر الگوهای استفاده از اصطلاح در تمام 50 کلمه کلیدی مشابه یا متفاوت هستند.

قرار دادن حباب در جهت عمودی بر اساس یک منحنی گاوسی است تا به طور مستقیم منطقه ترسیم را پر کند، اما هیچ زمینه مکانی یا معنایی را به تصویر نمی‌کشد. در صورتی که حباب‌ها و متن به هم ریخته و ناخوانا شوند، کاربران می‌توانند محل قرارگیری حباب‌ها را برای وضوح بهتر تغییر دهند. برای وضوح بیشتر، یا تمرکز بر زیرمجموعه خاصی از کلمات کلیدی، کاربران می توانند حباب های غیر جالب را با کلیک بر روی آنها از طرح حذف کنند. اندازه این حباب‌های کاهش‌یافته کاهش یافته و به صورت عمودی به پایین طرح می‌افتند. حذف بزرگترین حباب در طرح، حباب‌های باقی‌مانده را مجدداً تغییر می‌دهد تا مقایسه‌های بصری برجسته‌تری در کلمات ایجاد شود. با کلیک مجدد بر حباب‌های کاهش‌یافته، اندازه و قرارگیری آنها در طرح ادغام می‌شود. برای تمرکز روی یک عبارت، کاربران می‌توانند روی حباب مورد علاقه قرار بگیرند.

برای تقویت بصری اهمیت موقعیت حباب در رابطه با مقایسه بسامد کلمات کلیدی، یک طرح رنگی متفاوت پیشنهاد شده توسط هاروور و برویر [ 24 ] اجرا شد. این طرح رنگ بیشتر برای پیوند بصری نماهای داده (به غیر از جانبداری) از طریق نقشه و اجزای نمودار آماری ابزار عمل می کند.

دو نمای نقشه SPoTvis زمینه فضایی را برای مقایسه کلمات کلیدی فراهم می کند و به کاربران امکان می دهد الگوهای نمایش داده شده توسط ایالت های مختلف و مناطق کنگره را بررسی کنند. برای مدیریت کمیت و پیچیدگی اطلاعات نمایش داده شده در نمای نقشه، از رویکرد تجسم چند مقیاسی برای طراحی اطلاعات استفاده کردیم. داده‌ها و نمایش داده‌ها در سطوح مختلف بزرگنمایی مطابق با عبارت جستجوی اطلاعات اشنایدرمن انتزاع می‌شوند: «ابتدا مرور کلی، بزرگ‌نمایی و فیلتر، سپس جزئیات بر اساس تقاضا» [ 25 ]]. به عنوان مثال، کاربران ابتدا روی یک وضعیت کلیک می کنند، که عبارت پلاریته را به یک مقایسه کلیدواژه در سطح ایالت به روز می کند و کاربر را به جغرافیای ایالت بزرگ می کند. در این سطح بزرگ‌نمایی، مناطق کنگره قابل مشاهده می‌شوند و کاربر می‌تواند روی یکی کلیک کند و دوباره طرح را به‌روزرسانی کند. از طرف دیگر، کاربران می‌توانند با استفاده از منوهای کشویی، که شامل تمام مجموع‌های ممکن ایالتی و منطقه‌ای کنگره، و همچنین گزینه‌ای منحصربه‌فرد برای انتخاب همه ایالت‌های دارای گرایش دموکرات یا جمهوری‌خواه است، فیلتر کنند ( شکل 6 ).

شکل 6. نمای اولیه SPoTvis که ایالت های دارای گرایش دموکرات را با ایالت های جمهوری خواه مقایسه می کند.

علاوه بر این، نماهای نقشه گزینه هایی را برای نمایش ده ایالت یا ناحیه کنگره ای مشابه یا غیرمشابه به یک نهاد مورد علاقه ارائه می دهند. شباهت ها در رنگ مرتبط با نماهای مقایسه چپ یا راست، بنفش یا سبز، به ترتیب نشان داده شده است. برای کاهش هر گونه سردرگمی، تفاوت‌ها به رنگ نارنجی نشان داده شده است، رنگی که عمداً به هیچ جنبه دیگری از رابط مرتبط نیست. اگر کاربر کلیک کند تا موجودیت های جغرافیایی مشابه یا غیر مشابه را نشان دهد، پیوندهایی به این مناطق نمایش داده می شود. از آنجایی که تشخیص برخی از مناطق کوچکتر کنگره در مقیاس ملی دشوار است، کاربران می توانند روی ده پیوند برای فلش کردن مرکز نواحی مشابه یا غیرمشابه و کلیک روی پیوندها برای بزرگنمایی به این مناطق، روی پیوندها کلیک کنند.

در نهایت، نمودارهای میله ای درصد کارکنان دولت فدرال، درصد بیکاران، درصد افراد بدون بیمه درمانی و درآمد متوسط خانوار را برای هر دو واحد سیاسی که مقایسه می شوند نشان می دهد. نمودارها به صورت افقی تراز شده اند تا تعادل نسبی بین مقادیر را به تصویر بکشند و املاک و مستغلات صفحه را حفظ کنند. مقادیر Cook PVI نیز در این ناحیه نمایش داده می شود تا با کد رنگی نمایش آنها در نمای نقشه مطابقت داشته باشد.

4.2. پیاده سازی

SPoTvis به عنوان یک برنامه وب در جاوا اسکریپت، HTML و CSS نوشته شد تا این ابزار را برای هر کاربر علاقه مند و آگاه از سیاست اینترنت در دسترس قرار دهد. D3 (Data-Driven Documents) اولین کتابخانه جاوا اسکریپت بود که برای توسعه استفاده می شد. D3 عناصر مدل شی سند (DOM) را به داده های خام پیوند می دهد [ 26 ]. با انجام این کار، کتابخانه به جای اینکه DOM را در کد در یک طرح دست و پا گیر کند، در محیط DOM عمل می کند. علاوه بر این، D3 ایجاد، به‌روزرسانی و حذف عناصر را ساده می‌کند، که به روشی کارآمد برای ایجاد تجسم‌های پیچیده و پویا اجازه می‌دهد.

علاوه بر مدیریت عناصر DOM، D3 دارای ویژگی‌های راحتی بسیاری است که در فرآیند توسعه توانمند هستند. در اصطلاح طرح قطبی، طرح نیرو بر حباب ها تحمیل می شود. این شبیه سازی فیزیکی از شبه گرانش و بار برای کشیدن حباب ها به سمت مقادیر x نرمال شده مربوطه استفاده می کند. در صورت بروز تعارض، به روشی ارگانیک رسیدگی می شود. این فرآیند موقعیت حباب را تعیین می کند.

TopoJSON، یک برنامه افزودنی برای حفظ توپولوژی GeoJSON، در ترکیب با D3 برای تولید نماهای نقشه استفاده شد. TopoJSON انتخاب شد، زیرا از توپولوژی استنباط شده برای کاهش قابل توجه تعداد رئوس دانلود شده برای مشتری استفاده می کند و در نتیجه زمان بارگذاری را کوتاه می کند. علاوه بر این، با حفظ توپولوژی، احتمال ارائه اشتباه آشکار واحدهای منطقه ای پیچیده، مانند مناطق کنگره را کاهش می دهیم.

4.3. عملکرد و قابلیت استفاده

برای صاف نگه داشتن عملکرد این ابزار نمونه اولیه، همه فرکانس‌های کلیدواژه، مناطق مشابه و ویژگی‌های جمعیتی از پیش محاسبه شده و در یک فایل علامت‌گذاری شی جاوا اسکریپت (JSON) برای هر ایالت و ناحیه کنگره ذخیره می‌شوند. هندسه ایالت ها و مناطق در زمان بارگیری برنامه برای مشتری ارسال می شود. این مرزها تا آنجا که امکان پذیر باشد تعمیم داده می شوند تا میزان انتقال داده کاهش یابد. به غیر از بارگذاری اولیه برنامه و بازیابی گاه به گاه فایل‌های JSON ایالتی و ناحیه‌ای، برنامه نیازی به انجام درخواست‌های دیگری در سرور ندارد و هیچ محاسباتی در پرواز انجام نمی‌شود.

هنگامی که اصطلاح پلاریته به روز می شود، گاهی اوقات حباب ها در تلاش برای تغییر موقعیت در نمودار “گیر” می کنند. رنگ حباب همیشه موقعیت دقیقی را که حباب باید در محور x اشغال کند را منعکس می کند، در نتیجه نشان می دهد که آیا حباب در جای خود نیست یا خیر. کاربر می‌تواند حباب گیر کرده را به سمت درست نمودار بکشد و رها کند، حباب‌های نامربوط را حذف کند تا فضای بیشتری ایجاد کند یا روی دکمه «shuffle» کلیک کند تا به همه حباب‌ها موقعیت جدیدی در محور y اختصاص دهد و بدین ترتیب مقداری فضا باز شود. برای حرکت

4.4. کاوش داده ها

استفاده از SPoTvis برای کاوش در ایالت های مختلف و مناطق کنگره، الگوهایی را نشان می دهد که نشان می دهد چگونه مکالمه توییتری یک منطقه ممکن است تحت تأثیر رویدادهای جاری محلی و گرایش های سیاسی قرار گیرد. مقایسه تقریباً هر ترکیبی از ایالت ها یا مناطق، یک بازی سرزنش را نشان می دهد. واحدهایی که دارای PVI آشپز بسیار جمهوری خواه هستند، بیشتر از اصطلاح “اوباما” استفاده می کنند، و واحدهایی با PVI آشپز بسیار دموکرات تمایل دارند بیشتر از اصطلاح “gop” استفاده کنند. این الگو هنگام مقایسه ایالت های قطبی شده، مانند تگزاس در مقابل ماساچوست ( شکل 7 الف) به راحتی قابل مشاهده است، اما حتی در هنگام مقایسه ایالت های معتدل تر، مانند نوادا در برابر ماساچوست، قابل مشاهده است.کارولینای شمالی، یا مناطقی در داخل یک ایالت، مانند واشنگتن 7 (شامل شهر لیبرال سیاتل) و واشنگتن 5 (شامل شهر محافظه کارتر اسپوکین و مناطق اطراف آن). مقایسه اخیر در شکل 7 ب نشان داده شده است.

شکل 7. یک بازی سرزنش در بازی. ( الف ) مقایسه SPoTvis تگزاس و ماساچوست. ( ب ) مقایسه واشنگتن 7 و واشنگتن 5.

مسائل محلی نیز به اصطلاح طرح قطبی راه پیدا می کند. اگر کاربر طرح را با حذف عبارت‌های غالب «اوباما» و «گوپ» مجدداً مقیاس‌بندی کند، این الگوها راحت‌تر دیده می‌شوند. شکل 8جزئیات عبارت پلاریته را نشان می دهد که مریلند (چپ) را با نیوجرسی (راست) مقایسه می کند. این ایالت ها از نظر جغرافیایی نزدیک هستند و یک Cook PVI مشابه دارند. با این حال، احساسات درصد بسیار بیشتری از کارگران فدرال در مریلند با عباراتی که تأثیر را نشان می‌دهند، با «کار»، «واشنگتن»، «مرخصی»، «کارمند»، «کارگران»، «چک» و «خانواده‌ها» نشان داده می‌شود. بیشتر در سمت چپ طرح (همراه با توجه خاص به سخنران GOP خانه، بونر). در نیوجرسی، تمرکز کمتر بر روی نتایج و بیشتر بر سرزنش است، با موارد بیشتری نسبت به مریلند از اصطلاحات “چای”، “gopsutdown”، “جمهوری خواه”، “obamacare”، “سرزنش” و “shutdownthegop”، با “مدرسه”. ” به عنوان تنها اصطلاح تا حدودی برجسته که به سرزنش مرتبط نیست.

شکل 8. یک نمای دقیق از واژه پلاریته که مریلند ( سمت چپ ) را با نیوجرسی ( راست ) مقایسه می کند، نگرانی های نیروی کار فدرال در مریلند را آشکار می کند.

شناسایی مسائل در سطح منطقه با اطمینان دشوارتر است. برخی از مناطق دارای تعداد کمی توییت هستند که تعداد کمی از افراد مشتاق می توانند با استفاده از کلمات کلیدی خاص، نتایج طرح را تغییر دهند. این نتایج غیرمنتظره ای را ایجاد می کند، مانند توئیت محافظه کار منطقه 31 تگزاس “shutdownthegop” به نسبت بسیار بزرگتر از ناحیه لیبرال 35 تگزاس در آستین و سن آنتونیو.

ترکیب ناسازگار فرکانس‌های توییت در ناحیه‌ها باعث می‌شود که برخی از مناطق تقریباً همیشه زمانی که کاربر روی دکمه برای نمایش استفاده از کلمه «متفاوت» کلیک می‌کند ظاهر می‌شوند. منطقه 12 فلوریدا یکی از این مناطق است. بررسی دقیق داده‌ها نشان می‌دهد که کلمه کلیدی «کروز» (با اشاره به سناتور جمهوری‌خواه تد کروز) در 335 توئیت از 471 توییت ظاهر می‌شود که احتمالاً کار تعداد کمی از افراد است. این تأثیر را می‌توان با فیلتر کردن (یا شامل تنها نمونه‌ای از) کاربرانی که سهم آنها از درصد خاصی از کل توییت‌های منطقه بیشتر است، کاهش داد.

رتبه بندی الگوهای کلمات کلیدی مشابه، نشانه فضایی جالبی را ارائه می دهد که کدام واحدها بر موضوعات مشابه گفتگو تأکید داشتند. گاهی اوقات، این الگوها با سایر روندهای فضایی در سراسر ایالات متحده مطابقت دارند، برای مثال، کلیک کردن بر روی دکمه استفاده از کلمه «مشابه» برای ایالت نسبتاً مذهبی غربی یوتا، نتیجه‌ای را به دست می‌دهد که شامل ایالت‌های داخل و در امتداد «کمربند کتاب مقدس» در جنوب ایالات متحده می‌شود. مشابه ترین ایالت یوتا دارای PVI کوک جمهوری خواه است، نتیجه ای که با توجه به R+22 کوک به شدت جمهوری خواه یوتا قابل انتظار است. در مقابل، ایالت های مشابه برای ماساچوست (که کوک PVI آن دموکرات است در D+11) 80٪ دموکرات هستند، اگرچه در سراسر کشور پراکنده شده اند ( شکل 9).). توضیح برخی از الگوها دشوارتر است، مانند ایالت جورجیا که دارای گرایش نسبتاً جمهوری خواه است و ایالت نیویورک با گرایش دموکرات در فهرست 10 ایالت مشابه یکدیگر قرار دارند.

به طور خلاصه، الگوهای قابل توضیح به وفور در SPoTvis قابل مشاهده هستند، اما برای هیچ جفت واحدی به راحتی قابل پیش بینی نیستند. افزودن توییت‌های بیشتر برای تجزیه و تحلیل، برخی از غیرعادی‌ترین الگوهای استفاده از کلمات کلیدی را به‌ویژه در حوزه‌های کنگره هموار می‌کند.

شکل 9. مجموعه ایالت هایی که از کلمات کلیدی مشابه استفاده می کنند، گاهی از خطوط سیاسی و فرهنگی پیروی می کنند. ایالت های مشابه ماساچوست در سمت چپ نشان داده شده است . ایالت های مشابه یوتا در سمت راست نشان داده شده است .

5. ارزیابی کاربر SPoTvis

“هدف از تجسم بینش است”.

-استوارت کارت، جوک مکینلی و بن اشنایدرمن [ 27 ]

در این بخش، معنای بینش را بررسی می‌کنیم و در مورد رویکردهای مختلف جمع‌آوری بینش در چارچوب یک مطالعه کاربر دو قسمتی SPoTvis گزارش می‌دهیم. در بخش اول مطالعه، از شرکت کنندگان خواسته شد تا نقش هایی را برای خود انتخاب کنند (به عنوان مثال، سیاستمدار، دانشمند علوم سیاسی، روزنامه نگار و غیره ).). بر اساس این نقش‌ها، شرکت‌کنندگان موظف شدند از SPoTvis برای کشف داده‌های توییتر پیرامون تعطیلی دولت و انجام وظایف تحلیلی مرتبط با نقش‌های انتخاب شده استفاده کنند. از شرکت‌کنندگان خواسته شد تا بینش‌هایی را که کشف کرده‌اند و رویکردهایی که برای به‌دست آوردن آن بینش‌ها از استفاده از ابزار اتخاذ کرده‌اند، مستند کنند. بخش دوم این مطالعه یک نظرسنجی آنلاین بود که برای ارزیابی تجربیات کاربر، طراحی رابط، عملکرد و کاربردهای آینده SPoTvis در زمینه های دیگر طراحی شده بود.

ما ابتدا در مورد راه هایی بحث می کنیم که SPoTvis کاربران را قادر می سازد تا به سؤالات مختلف پاسخ دهند و آنها را بررسی کنند و فرآیندهایی را که برای رسیدن به پاسخ یا ایجاد فرضیه های جدید انجام دادند. سپس اثربخشی SPoTvis را بر اساس توانایی آن در ارائه مکانیسم‌های لازم برای کشف بینش به کاربران ارزیابی می‌کنیم. ما با دستورالعمل‌های امیدوارکننده برای توسعه و کاربرد SPoTvis در آینده نتیجه‌گیری می‌کنیم.

5.1. بینش متنی

اهداف بینش، کشف، تصمیم گیری و تبیین است. سودمندی تجسم اطلاعات را می توان از نظر میزان دستیابی به چنین فعالیت های شناختی ارزیابی کرد [ 27 ]. با این حال، تعریف رسمی بینش مشکل‌ساز است، زیرا شکل‌های مختلفی به خود می‌گیرد و برای تفاسیر مختلف در بین رشته‌ها و درون رشته‌هایی که هدفشان اندازه‌گیری آن است، باز است. بینش از پیچیدگی کل مجموعه داده ناشی می شود. انباشته می شود و زاینده است. ماهیت آن غیر دقیق، نامشخص و کیفی است. غیرمنتظره، غیرقابل پیش بینی و خلاقانه است. معنای بینش مرتبط و در حوزه داده جاسازی شده است [ 28]. بینش را می توان در لحظه ای خود به خود، غیرقابل توصیف و تکرار نشدنی تجربه کرد یا به عنوان واحدی از دانش کشف شده مشخص کرد [ 29 ].

به دلیل معنای مبهم بینش، اندازه گیری توانایی تجسم برای دستیابی به ویژگی های آن چالش برانگیز است. آزمایش‌های کنترل‌شده روی وظایف محک، روش اصلی برای ارزیابی تجسم‌سازی‌ها است، اما کاربران را مجبور می‌کند تا بینش‌های کم عمق و تعریف‌شده توسط محقق را در مدت زمان کوتاه و قطعی کشف کنند [ 28 ]]. اغلب از کاربران خواسته می شود که به سؤالات ساده ای پاسخ دهند که به راحتی می توان از آنها برای اندازه گیری دقت کشف بینش از پیش تعریف شده توسط کاربر استفاده کرد. این رویکرد برای اندازه‌گیری بینش، بینش‌های غیرمنتظره، عمیق، کیفی و مرتبطی را که محقق می‌تواند با آسان‌تر به دست آورد، محدود می‌کند و به کاربران اجازه می‌دهد تا تجسم را به تنهایی کشف کنند و بینش‌های خود را کشف کنند. البته، مبادله این است که اکتشاف بدون محدودیت احتمالاً در بین افراد به‌طور چشمگیری متفاوت است، و استخراج تعمیم‌ها از چنین فعالیت‌های بدون ساختار دشوار یا غیرممکن است. در تحقیقی که در اینجا ارائه شده است، با استفاده از یک فعالیت اکتشافی نیمه محدود طراحی شده برای ارائه فرصت‌هایی برای طیف گسترده‌ای از بینش‌ها از سوی شرکت‌کنندگان، در حالی که چارچوبی برای ترکیب نتایج به ما ارائه می‌دهد، یک حد وسط را اتخاذ می‌کنیم.

5.2. طراحی مطالعه

هدف تجزیه و تحلیل بصری امکان کشف بینش از طریق رابط های بصری تعاملی [ 1 ] است. هدف اولیه از انجام یک مطالعه کاربر بر روی SPoTvis ارزیابی توانایی آن برای فعال کردن افراد با تخصص مرتبط برای کشف بینش‌های فضایی-سیاسی خود از داده‌های توییتر پیرامون تعطیلی دولت بود. هدف دیگری از این مطالعه، ارائه ورودی به ما در مورد طراحی، عملکرد و کاربردهای آینده SPoTvis بود. بنابراین، ما مطالعه خود را به گونه‌ای طراحی کردیم که بینش‌های خلاقانه، عمیق و کیفی کاربران و همچنین پاسخ‌های ساده به سوالاتی را که درک کاربران از طراحی و اجزای ابزار را ارزیابی می‌کرد، ثبت کردیم. این مطالعه دارای دو مرحله بود که در زیر به آنها اشاره شده است.

مرحله اول از شرکت کنندگان خواسته شد تا با SPoTvis تعامل داشته باشند و داده های توییتر را که به تنهایی به آنها دسترسی پیدا می کند، ظرف یک هفته با سرعت خودشان بررسی کنند. برای شرکت‌کنندگان یک لینک وب به SPoTvis، یک پیوند به یک ویدیوی نمایش آنلاین و یک راهنمای اساسی که ابزار و نحوه استفاده از آن را توضیح می‌دهد ایمیل شد. ابتدا از شرکت کنندگان خواسته شد که نقش هایی را برای خود ایجاد کنند (به عنوان مثال، سیاستمدار، دانشمند علوم سیاسی، روزنامه نگار و غیره ). بر اساس نقش‌های انتخاب شده، شرکت‌کنندگان وظیفه داشتند مقالات کوتاهی بنویسند که یافته‌ها یا الگوهای جالبی را که در داده‌های توییتر کشف کرده‌اند، و همچنین رویکردهایی که برای دستیابی به آن بینش‌ها در پیش گرفته‌اند، مستند کنند.

بخش دوم ارزیابی یک نظرسنجی آنلاین بود. از شرکت کنندگان در مورد تجربیاتشان با استفاده از SPoTvis، طراحی گرافیکی SPoTvis (ظاهر کلی نماها و چیدمان)، عملکرد رابط (از نظر سهولت استفاده و توانایی به دست آوردن اطلاعات) و کاربرد ابزار در زمینه های دیگر سؤالات خاصی پرسیده شد. .

ده شرکت کننده در این مطالعه شرکت کردند. نه نفر هر دو بخش را تکمیل کردند، در حالی که یک شرکت کننده فقط در نظرسنجی شرکت کرد. همه شرکت کنندگان یک یا چند دوره در زمینه نقشه برداری گذرانده بودند و اکثر شرکت کنندگان به طور فعال در زمینه نقشه برداری، GIS و تجسم تحقیق می کنند. سه شرکت‌کننده، دانشجویان فارغ‌التحصیل از گروه جغرافیا در دانشگاه ایالتی پنسیلوانیا بودند. یک شرکت‌کننده از یک دوره آموزشی گسترده آنلاین (MOOC) در زمینه نقشه‌سازی استخدام شد. شش شرکت‌کننده، دانشگاهیان اروپایی بودند که از دپارتمان پردازش اطلاعات جغرافیایی در دانشگاه توئنته هلند استخدام شدند. بخش‌های زیر نتایج حاصل از ارزیابی دو قسمتی کاربر SPoTvis را ارائه می‌کنند.

5.3. ارزیابی SPoTvis/قسمت 1

بخش اول مطالعه کاربران SPoTvis منجر به 9 گزارش، جزئیات وظایف، رویکردها، انواع تعاملات و بینش های به دست آمده از نقش ها یا دیدگاه های تحلیلی مختلف شد که توسط شرکت کنندگان انتخاب شد. در بخش‌های فرعی زیر، ویژگی‌های گزارش و روش‌های اعمال شده برای تجزیه و تحلیل آنها را خلاصه می‌کنیم، سپس یافته‌ها را ارائه می‌کنیم.

5.3.1. تجزیه و تحلیل گزارش

طول گزارش از 147 تا 511 کلمه، با میانگین تعداد کلمات 375 متغیر بود. شرکت‌کننده‌ای که کوتاه‌ترین گزارش را داشت، جداول و تصاویر صفحه نمایش را برای نشان دادن یافته‌ها و تعاملات خود با SPoTvis ارائه کرد. سه شرکت‌کننده نقش نوعی روزنامه‌نگار را بر عهده گرفتند، دو نفر دانشمندان علوم سیاسی، یکی سیاستمدار دولتی، یکی دانشمند علوم انسانی و دیگری علاقه‌مند به گرافیک بودند، و یکی نقش خاصی را مشخص نکرد (در حالی که اینها نقش‌های پذیرفته شده هستند تا شخصیت‌پردازی. از تخصص واقعی شرکت کنندگان، برای وضوح گزارش در زیر، ما به شرکت کنندگان بر اساس نقش آنها اشاره می کنیم). وظایف از مبهم «اکتشاف» تا مشکلات خاص، مانند «چگونه ترکیب جمعیت (عمدتاً آمریکای لاتین) بر درک تعطیلی سال 2013 تأثیر می‌گذارد، متغیر بود.

گزارش ها در درجه اول توسط نویسنده اصلی تجزیه و تحلیل شدند. کدهای پیشینی برای استخراج وظایف شرکت کنندگان، انواع تعاملات و بینش های به دست آمده طراحی شدند. بنابراین، ما به طور خاص علاقه مند به درک و ترکیب گردش کار کاربران SPoTvis بودیم، با تعاریف مشکل آنها شروع کردیم و تعاملاتی را که به آنها اجازه می داد به راه حل برسند را ردیابی کنیم. علاوه بر این، واکنش‌های شرکت‌کنندگان نسبت به طراحی و عملکرد SPoTvis علامت‌گذاری شد و به اثربخشی ابزار در فعال کردن کشف بینش مرتبط بود.

در طول فرآیند کدگذاری، “رویکرد تحلیلی” به عنوان یک موضوع سازمانی گسترده و گسترده ظاهر شد که جریان کار شرکت کنندگان به طور منظمی در آن قرار می گیرد. چهار شرکت‌کننده از رویکردهای داده‌محور برای تحلیل استفاده کردند (به عنوان مثال ، مقایسه‌ها بر اساس استفاده از اصطلاح، سؤالات سیاسی یا جمعیت‌شناختی انجام شد). چهار شرکت‌کننده رویکردهای فضایی را اتخاذ کردند (به عنوان مثال ، مقایسه‌ها بر اساس مکان‌های مورد علاقه یا سؤالات فضایی انجام شد). و یکی از شرکت‌کنندگان یک رویکرد ارزیابی ابزار محور برای تشریح (مضرات) SPoTvis برای یک زمینه خاص اتخاذ کرد. در زیر بخش نتایج زیر، یافته های گزارش ها بر اساس این سه رویکرد سازماندهی شده است.

5.3.2. گزارش نتایج

شرکت‌کنندگانی که رویکردهای داده‌محور را برای تجزیه و تحلیل در نظر گرفتند، در مقایسه با سایر شرکت‌کنندگان، وظایف مشخص‌تری داشتند که می‌خواستند به انجام برسانند، درگیر انواع بیشتری از تعامل بودند و به بینش‌های خاص‌تری رسیدند ( جدول 3).). دو نفر از این شرکت کنندگان روزنامه نگاری، یکی دانشمند علوم انسانی و دیگری دانشمند علوم سیاسی را انتخاب کردند. همه این شرکت کنندگان اهداف تحلیلی پالایش شده ای داشتند که فراتر از اکتشاف داده ها بود. برای مثال، این کارشناس علوم سیاسی می‌خواست رابطه بین قومیت و تصورات مربوط به تعطیلی دولت در توییتر را درک کند. برای بررسی این رابطه، شرکت‌کننده ابتدا به نقشه‌های قومی کمکی ایالات متحده برای درک بهتر توزیع فضایی اسپانیایی‌ها و آمریکایی‌های لاتین در سراسر کشور اشاره کرد. با این دانش، شرکت‌کننده سپس نیومکزیکو، ایالتی با بالاترین ترکیب جمعیت اسپانیایی/لاتینی را به عنوان ایالت مرجع انتخاب کرد و استفاده از اصطلاح را بین نیومکزیکو و همه ایالت‌های دیگر مقایسه کرد. شرکت کننده به این نتیجه رسید که در حالی که الگوی کمی در شباهت اصطلاحات در ایالت هایی با بالاترین نسبت جمعیت اسپانیایی تبار دیده می شود، نتایج مشابهی در برخی از ایالت هایی با کمترین جمعیت اسپانیایی تبار ظاهر می شود. به طور کلی، به نظر می رسد سطح درک دوباره کدگذاری شده توسط این مجموعه داده بیشتر ترجیحات سیاسی را منعکس می کند. گردش کار این دانشمند علوم سیاسی، فرآیند توانمندسازی بینش را نشان می‌دهد که توسط SPoTvis پشتیبانی می‌شود و نمونه‌ای از بینش‌های غنی، کیفی و انباشته قابل دستیابی توسط کاربران است.

گروه مبتنی بر داده همچنین از قابلیت های پیشرفته تر SPoTvis برای پشتیبانی از استدلال تحلیلی پیچیده خود استفاده کرد. به عنوان مثال، روزنامه‌نگار و دانشمند علوم سیاسی از اصطلاح قابلیت تنزل برای تحلیل روابط بین گرایش‌های سیاسی و زیرمجموعه‌های بسیار خاص اصطلاحات استفاده کردند. روزنامه‌نگار چینی تفاوت‌های بین استفاده از اصطلاح و حزب سیاسی را در مقیاس با استفاده از عملکرد «نمایش مشابه» تجزیه و تحلیل کرد و استنباط کرد که ایالت‌های متمایل به دموکرات (به عنوان مجموع) تمایل به بحث (و به طور بالقوه) GOP دارند، در حالی که ایالت‌های متمایل به جمهوری‌خواه (مانند aggregate) در گفتمان خود بیشتر بر هری رید تمرکز کردند. در سطح منطقه فردی، روزنامه نگار چینی دریافت که استفاده از اصطلاح صرف نظر از وابستگی حزبی متفاوت است. به طور کلی،

شرکت‌کنندگانی که رویکردی فضایی برای استفاده از SPoTvis داشتند، نقش‌های دانشمند علوم سیاسی، روزنامه‌نگار اخبار دانشگاه، علاقه‌مندان به گرافیک و نامشخص را بر عهده گرفتند. به عنوان یک گروه، این شرکت کنندگان هم وظایف اکتشافی و هم وظایف خاص تری داشتند که می خواستند به انجام برسانند ( جدول 4 ). آنها مقایسه های خود را با استفاده از مرزهای جغرافیایی شناخته شده، مکان های دیدنی و مجاورت فضایی چارچوب بندی کردند. این دانشمند علوم سیاسی و روزنامه‌نگار خبری به دنبال پاسخگویی به سؤالات مبتنی بر مکان‌های خاص مورد علاقه، مقایسه کاربرد اصطلاح، گرایش‌های سیاسی و جمعیت‌شناسی در محدوده‌های فضایی تعریف‌شده بود. علاقه مندان به گرافیک و تحلیلگران نامشخص یک کاوش بدون ساختار را دنبال کردند و یافته های کم و بیش تصادفی و غیر مرتبط را مستندسازی کردند.

برخلاف تحلیل‌گران داده‌محور، این چهار شرکت‌کننده اغلب از قابلیت‌های پیشرفته‌تر SPoTvis، مانند تنزل اصطلاح یا «نمایش موجودیت‌های فضایی مشابه/متفاوت» استفاده نمی‌کردند. همچنین این کاربران به طور مکرر در مورد پیوندهای احتمالی بین استفاده از اصطلاح / تمایلات سیاسی و متغیرهای جمعیت شناختی مانند درصد بیکار، درصد کارگر فدرال و غیره اظهار نظر نکردند.با این حال، اگرچه آنها از SPoTvis به روشی محدودتر استفاده کردند، کاربران فضایی بینش ارزشمندی را ایجاد کردند. در مقایسه با تحلیل‌گران داده‌محور، این تحلیل‌گران به وضوح وظایف اکتشافی گسترده‌تری داشتند و به بینش‌هایی به روش کیفی متفاوتی رسیدند. آنچه این یافته ها نشان می دهد این است که SPoTvis به طور موثر از رویکردهای مختلف برای استدلال تحلیلی در نقش های مختلف و تعاریف بسیار متفاوت وظایف پشتیبانی می کند.

آخرین شرکت کننده بخش اول مطالعه کاربران SPoTvis را به روشی کمی متفاوت تفسیر کرد. به این صورت که شرکت کننده تصمیم گرفت SPoTvis را بر اساس نیازهای نظری یک سیاستمدار دولتی ارزیابی کند. شرکت‌کننده به‌جای اتخاذ یک رویکرد تحلیلی برای بررسی داده‌ها و دستیابی به بینش، در مورد مزایا و معایب SPoTvis در برآوردن نیازهای یک سیاستمدار دولتی اظهار نظر کرد. شرکت‌کننده دریافت که SPoTvis می‌تواند به سرعت سیاستمداران را در یافتن موضوعات مهم در داخل و بین مکان‌ها راهنمایی کند و متغیرهای جمعیتی را به طور مستقیم به موضوعات برجسته مرتبط کند. با این حال، سیاستمدار احساس می‌کرد که توسط مجموعه‌ای از اصطلاحات ثابت (و نه مشخص‌شده توسط کاربر) محدود شده و از استفاده از رنگ در نشان دادن ویژگی‌های متعدد غرق شده است.

جدول 3. رویکردهای داده محور برای کشف بینش.

جدول 4. رویکردهای مبتنی بر فضای برای کشف بینش.

5.4. ارزیابی SPoTvis/بخش 2

بخش دوم مطالعه کاربران SPoTvis یک نظرسنجی آنلاین متشکل از مقیاس لیکرت، سوالات چند گزینه ای و پاسخ کوتاه بود که برای جمع آوری بازخورد در مورد تجربه کاربر SPoTvis، ظاهر کلی نماها و طرح بندی SPoTvis، عملکرد رابط و کاربردی بودن طراحی شده بود. ابزاری برای سایر زمینه ها (پیوست I). ده شرکت کننده نظرسنجی را تکمیل کردند که نه نفر از آنها قسمت اول مطالعه را نیز تکمیل کردند. شش شرکت‌کننده گزارش دادند که بیش از یک ساعت از SPoTvis استفاده کرده‌اند. یکی 30 تا 45 دقیقه را صرف کرد. و سه نفر 15 تا 30 دقیقه را صرف کردند. همه شرکت‌کنندگان قبل از تکمیل نظرسنجی، ویدیوی نمایشی را تماشا کرده‌اند.

5.4.1. تجربه ی کاربر

بخش اول نظرسنجی با هدف ارزیابی واکنش‌ها و احساسات کاربران نسبت به SPoTvis انجام شد ( شکل 10 ). سه کاربر تجربه اولیه خود را با استفاده از SPoTvis آسان و روان یافتند. چهار شرکت‌کننده تجربیات اولیه خود را نه گیج‌کننده و نه شهودی یافتند، در حالی که سه کاربر در ابتدا احساس کردند این ابزار بیشتر گیج‌کننده است تا استفاده آسان. نه شرکت کننده در حین تعامل با SPoTvis احساس مثبتی نسبت به آن داشتند، در حالی که یک شرکت کننده نسبت به ابزار احساس بی طرفی داشت. علاوه بر این، اکثر کاربران در مورد آسان بودن استفاده از این رابط پس از عادت به عملکرد آن اظهار نظر کردند.

شکل 10. تجربیات اولیه ( سمت چپ ) و احساسات نسبت به SPoTvis ( راست ). هر نمودار فرکانس پاسخ را در مقیاس پنج مرحله‌ای لیکرت با نقاط پایانی با استفاده از عبارات نشان داده شده در زیر محور x نشان می‌دهد.

5.4.2. ارزیابی طراحی

سوالات در بخش طراحی SPoTvis نظرسنجی با هدف ارزیابی ظاهر نماها و طرح‌بندی SPoTvis بود. اولین سؤالات از کاربران خواسته شد که اثربخشی طراحی ابزار را ارزیابی کنند، از نظر زیبایی‌شناختی طراحی را تا چه حد دلپذیر می‌دانند و استفاده از رنگ در طراحی چقدر مؤثر بوده است ( شکل 11 ). در حالی که اکثر شرکت کنندگان نسبت به طراحی کلی و زیبایی شناسی واکنش مثبت نشان دادند، پاسخ ها در مورد اثربخشی رنگ در طراحی متفاوت بود. واکنش های خاص تر به استفاده از رنگ در SPoTvis در زیر مورد بحث قرار گرفته است.

پس از پرسش‌های رتبه‌بندی طراحی، پرسش‌هایی با پاسخ‌های کوتاه بود که ابتدا درک کاربران از انتخاب‌های طراحی را ارزیابی می‌کردند، سپس به کاربران اجازه می‌داد تا در مورد جنبه‌هایی از ابزاری که به نظرشان نوآورانه‌ترین و گیج‌کننده‌ترین است نظر بدهند. همچنین شرکت کنندگان تشویق شدند تا پیشنهادات طراحی را در این بخش از نظرسنجی ارائه کنند.

شکل 11. رتبه بندی در طراحی SPoTvis ( سمت چپ )، زیبایی شناسی ( وسط ) و استفاده از رنگ ( راست ). هر نمودار فرکانس پاسخ را در مقیاس پنج مرحله‌ای لیکرت با نقاط پایانی با استفاده از عبارات نشان داده شده در زیر محور x نشان می‌دهد.

هنگامی که از آنها پرسیده شد که رنگ حباب ها در نمودار قطبیت چه چیزی را نشان می دهد، شش پاسخ دهنده به درستی سایه های بنفش و سبز را به نماهای نقشه مربوطه خود، که در زیر نمودار نشان داده شده است، مرتبط کردند. با این حال، دو نفر از پاسخ‌دهندگان، رنگ حباب را با تمایلات سیاسی اشتباه گرفتند تا مقایسه‌های فضایی. دو شرکت‌کننده باقی‌مانده در مورد استفاده از رنگ به‌جای پاسخ مستقیم به این سوال که رنگ در طرح نشان‌دهنده چه چیزی است، نظر دادند. بسیاری از کاربران احساس کردند که SPoTvis از رنگ بیش از حد برای نشان دادن بسیاری از ویژگی ها استفاده می کند. SPoTvis از رنگ برای رمزگذاری مقایسه‌های چپ/راست، گرایش‌های سیاسی، شباهت‌ها، تفاوت‌ها و ترکیب‌هایی از این‌ها از طریق رنگ‌های پرکننده، ضربه‌ای و هایلایت در حالت شناور استفاده می‌کند.

هنگامی که از هفت پاسخ دهنده پرسیده شد که چه اندازه حباب / قلم در نمودار قطبیت نشان داده می شود، به طور کامل متوجه شدند که متغیر بصری اندازه، فراوانی استفاده از اصطلاح را بین دو مقایسه فضایی رمزگذاری می کند. سه پاسخ‌دهنده دیگر لزوماً درک درستی از اندازه حباب/قلم نداشتند، بلکه پاسخ‌هایی را در مورد اینکه اندازه‌ها باید بیشتر (یا کمتر) متفاوت باشند، ارائه کردند یا به سادگی بیان کردند که «اندازه کار می‌کند».

جنبه‌هایی از شرکت‌کنندگان طراحی که نوآورانه‌ترین آنها را یافتند عبارتند از: عبارت پلاریته، اصطلاح هماهنگی طرح قطبی با نمای نقشه، ادغام قرارگیری حباب با مقایسه‌های فضایی، جنبه چپ/راست برای مقایسه، تجسم چند مقیاسی و حرکت حباب. یکی از شرکت‌کنندگان اظهار داشت: «فکر می‌کنم گنجاندن طرح واکنش به تعامل با نقشه‌ها چیزی نوآورانه در زمینه تصویرسازی جغرافیایی است». شرکت‌کننده رویکرد مجزا برای طراحی اطلاعات را در کاهش بار شناختی مؤثر یافت، بنابراین داده‌ها را قابل تفسیرتر کرد. به طور کلی، واکنش‌ها بر طراحی تمیز عبارت پلاریته و نماهای مقایسه، هسته و منحصربه‌فردترین اجزای SPoTvis متمرکز بود. پیشنهادات ظریف تری که شرکت کنندگان برای اصلاح طراحی SPoTvis ارائه کردند عبارتند از:

5.4.3. ارزیابی عملکرد

بخش عملکرد SPoTvis در نظرسنجی میزان آسانی استفاده از SPoTvis و همچنین توانایی آن در ارائه بینش به کاربران را ارزیابی کرد. هشت شرکت‌کننده گزینه‌های تعامل SPoTvis را واضح و مفید یافتند، در حالی که دو شرکت‌کننده نسبت به عملکرد کلی ابزار احساس بی‌طرفی داشتند ( شکل 12)). از آنجایی که مقایسه در طراحی SPoTvis مرکزی بود، ما به ویژه علاقه مند بودیم از این بخش نظرسنجی برای درک نحوه مقایسه کاربران استفاده کنیم. در پاسخ به سؤالی در مورد نحوه انجام مقایسه‌های مکانی (در صورت ارائه سه گزینه چند گزینه‌ای)، شش شرکت‌کننده گزارش دادند که از منوهای کشویی و کلیک روی نقشه (روی ایالت‌ها/مناطق) برای مقایسه استفاده کردند. دو شرکت کننده فقط از منوهای کشویی استفاده کردند. و دو شرکت کننده فقط از کلیک روی نقشه استفاده کردند.

شکل 12. رتبه بندی عملکرد SPoTvis ( سمت چپ )، سهولت ناوبری فضایی ( وسط )، و فرکانس جابجایی Cook PVI ( راست ). هر نمودار فرکانس پاسخ را در مقیاس پنج مرحله‌ای لیکرت با نقاط پایانی با استفاده از عبارات نشان داده شده در زیر محور x نشان می‌دهد.

با توجه به استفاده از نقشه و تعامل، کاربران واکنش‌های متفاوتی به ناوبری فضایی با استفاده از نماهای نقشه داشتند. شش شرکت‌کننده توانستند به راحتی در نماهای نقشه حرکت کنند، در حالی که چهار شرکت‌کننده امتیاز خنثی/متوسط را به ناوبری SPoTvis اختصاص دادند. یکی از شرکت کنندگان به طور خاص در مورد اینکه چگونه ناوبری نقشه از جمع آوری بینش پشتیبانی می کند، اظهار داشت: «خوب است که سطوح بزرگنمایی را در سه مرحله طبقه بندی کردید. کاربر هرگز از محدوده نقشه خارج نمی شود و ویژگی مورد مطالعه همیشه برجسته می شود. و بالا و پایین رفتن بین سطوح آسان است. دو شرکت‌کننده اضافه کردن قابلیت «پان/بزرگ‌نمایی» را برای بهبود یافتن راه در نماهای نقشه پیشنهاد کردند. هشت نفر از ده شرکت کننده لایه نقشه پایه Cook PVI را برای پیوند دادن تمایلات سیاسی به مقایسه های فضایی بسیار مفید یافتند. این شرکت کنندگان تقریباً هرگز لایه را خاموش نکردند. دو شرکت‌کننده دیگر روشن و خاموش کردن لایه را در حین کاوش مفید دانستند.

برای ارزیابی عملکرد در عبارت پلاریته پلاریته، از کاربران خواستیم تا در جملات کوتاهی بیان کنند که حباب و اصطلاح حرکت/محل چیست. هشت شرکت‌کننده به درستی استنباط کردند که حرکت و قرارگیری حباب‌ها/اصطلاحات تابعی از استفاده ترکیبی و نسبی از اصطلاحات بین دو مقایسه فضایی است. دو شرکت‌کننده دیگر حرکت و قرارگیری در طرح را به‌جای اینکه مربوط به واحدهای فضایی باشد، به اشتباه به عنوان مرتبط با ترکیب حزب سیاسی یا توییت تفسیر کردند. هنگامی که از شرکت کنندگان پرسیده شد که چگونه عملکرد هماهنگ SPoTvis از جمع آوری بینش پشتیبانی می کند، شرکت کنندگان در مورد اینکه مقایسه با استفاده از عبارت پلاریته پلاریته همراه با نماهای نقشه چقدر شهودی است، اظهار نظر کردند. برای مثال، یکی از شرکت‌کنندگان اظهار داشت: «سرعت کلیک روی نقشه‌ها و آماده‌سازی طرح جدید در چند ثانیه بسیار خوب است. زیرا هرگز از کاوش در طرح خسته نمی شوید.» برای این کاربر، تعامل باعث کاوش بیشتر شد. کاربر دیگری اظهار داشت: “انعطاف پذیری کافی در تعاملات برای پشتیبانی از آزمایش وجود داشت که منجر به بینش های جدیدی شد”. شرکت‌کنندگان به‌علاوه، عبارت «عملکرد تنزل» را برای تجزیه و تحلیل زیرمجموعه‌های اصطلاح خاص مورد علاقه مفید یافتند. به طور کلی، نتایج نشان می‌دهد که گزینه‌های تعامل SPoTvis کاربران را درگیر کرده و کاوش داده را تقویت می‌کند.

وقتی از شرکت کنندگان پرسیده شد که چگونه تعامل باعث انحراف/ممانعت از جمع آوری بینش می شود، شرکت کنندگان احساس می کردند که با توانایی مقایسه دو نهاد یا دو گروه از موجودیت ها در یک زمان محدود شده اند. شرکت‌کنندگان همچنین خواستار «تاریخچه تعاملات» برای جمع‌آوری و نگهداری دقیق‌تر بینش‌های به‌دست‌آمده بودند. عملکرد «مشابه/متفاوت» بر این اساس مورد نقد قرار گرفت که کاربران می‌خواستند توضیح بهتری در مورد آنچه معیار شباهت در نظر گرفته است و همچنین معیارهای تشابه پیچیده‌تری داشته باشند. برای مثال، یکی از شرکت‌کنندگان اظهار داشت: «مثلاً انتظار داشتم که ایالت‌ها یا مناطقی شبیه به سایرین را از نظر چهار پارامتر (متغیرهای جمعیتی) بین هر دو نقشه پیدا کنم». در حال حاضر، SPoTvis شباهت را تنها بر اساس نحوه استفاده واحدهای فضایی از اصطلاحات کلیدی به دست می‌آورد.

5.4.4. برنامه های آینده و خلاصه

در بخش پایانی نظرسنجی، از شرکت‌کنندگان خواستیم راه‌هایی را تصور کنند که از طریق آن SPoTvis ممکن است در کار دیگران استفاده شود. شرکت کنندگان پیشنهادات بسیار جالب و بسیار متنوعی ارائه کردند که از دامنه بسیار گسترده (مثلاً “هرگونه تحلیل اکتشافی”) تا کاربردهای خاص در مدیریت بحران، اقتصاد، مطالعات محیطی، روزنامه نگاری، حقوق، علوم سیاسی، علوم اجتماعی و علوم فنی را در بر می گرفت. یکی از شرکت‌کنندگان تصور کرد که SPoTvis «برای انجام رؤیت‌های مقایسه‌ای بین مکان‌ها در سناریوهای حیات وحش، مناظر اعتراضی و نقشه‌برداری الگوهای حرکت مفید است». یکی دیگر از شرکت کنندگان SPoTvis را “به عنوان یک ابزار عمومی تقریباً زمان واقعی برای تجزیه و تحلیل الگوی انسانی” تصور کرد. این شرکت‌کننده در ادامه گفت که SPoTvis «می‌تواند به یافتن الگوهای مرتبط با حوزه جغرافیایی کمک کند. احتمالاً قبلاً هرگز به عنوان ترکیبی از اطلاعات جغرافیایی داوطلبانه (VGI) و نقشه ها که می تواند به عنوان راهنما یا محرک برای ایده های دیگر استفاده شود، ارائه نشده است. یکی از شرکت‌کنندگان به این سوال از دیدگاه توسعه ابزار تجزیه و تحلیل جغرافیایی پاسخ داد و در مورد مزایای ادغام چارچوب تجسم D3 در سیستم‌های اطلاعات جغرافیایی سنتی‌تر برای پیشبرد کاوش و استدلال داده‌های مکانی اظهار نظر کرد. در نهایت، یکی از شرکت‌کنندگان احساس کرد که معلمان تجسم ممکن است بخواهند SPoTvis را به دانش‌آموزان خود نشان دهند تا طراحی نوآورانه در زمینه تصویرسازی جغرافیایی را به تصویر بکشند. واضح است که فرصت‌های هیجان‌انگیزی برای گسترش SPoTvis به سایر حوزه‌های تحقیقاتی و همچنین ادغام عملکرد جدید ابزار در نرم‌افزار تحلیل فضایی جامع‌تر وجود دارد. که می تواند به عنوان راهنما یا محرکی برای ایده های دیگر استفاده شود. یکی از شرکت‌کنندگان به این سوال از دیدگاه توسعه ابزار تجزیه و تحلیل جغرافیایی پاسخ داد و در مورد مزایای ادغام چارچوب تجسم D3 در سیستم‌های اطلاعات جغرافیایی سنتی‌تر برای پیشبرد کاوش و استدلال داده‌های مکانی اظهار نظر کرد. در نهایت، یکی از شرکت‌کنندگان احساس کرد که معلمان تجسم ممکن است بخواهند SPoTvis را به دانش‌آموزان خود نشان دهند تا طراحی نوآورانه در زمینه تصویرسازی جغرافیایی را به تصویر بکشند. واضح است که فرصت‌های هیجان‌انگیزی برای گسترش SPoTvis به سایر حوزه‌های تحقیقاتی و همچنین ادغام عملکرد جدید ابزار در نرم‌افزار تحلیل فضایی جامع‌تر وجود دارد. که می تواند به عنوان راهنما یا محرکی برای ایده های دیگر استفاده شود. یکی از شرکت‌کنندگان به این سوال از دیدگاه توسعه ابزار تجزیه و تحلیل جغرافیایی پاسخ داد و در مورد مزایای ادغام چارچوب تجسم D3 در سیستم‌های اطلاعات جغرافیایی سنتی‌تر برای پیشبرد کاوش و استدلال داده‌های مکانی اظهار نظر کرد. در نهایت، یکی از شرکت‌کنندگان احساس کرد که معلمان تجسم ممکن است بخواهند SPoTvis را به دانش‌آموزان خود نشان دهند تا طراحی نوآورانه در زمینه تصویرسازی جغرافیایی را به تصویر بکشند. واضح است که فرصت‌های هیجان‌انگیزی برای گسترش SPoTvis به سایر حوزه‌های تحقیقاتی و همچنین ادغام عملکرد جدید ابزار در نرم‌افزار تحلیل فضایی جامع‌تر وجود دارد. یکی از شرکت‌کنندگان به این سوال از دیدگاه توسعه ابزار تجزیه و تحلیل جغرافیایی پاسخ داد و در مورد مزایای ادغام چارچوب تجسم D3 در سیستم‌های اطلاعات جغرافیایی سنتی‌تر برای پیشبرد کاوش و استدلال داده‌های مکانی اظهار نظر کرد. در نهایت، یکی از شرکت‌کنندگان احساس کرد که معلمان تجسم ممکن است بخواهند SPoTvis را به دانش‌آموزان خود نشان دهند تا طراحی نوآورانه در زمینه تصویرسازی جغرافیایی را به تصویر بکشند. واضح است که فرصت‌های هیجان‌انگیزی برای گسترش SPoTvis به سایر حوزه‌های تحقیقاتی و همچنین ادغام عملکرد جدید ابزار در نرم‌افزار تحلیل فضایی جامع‌تر وجود دارد. یکی از شرکت‌کنندگان به این سوال از دیدگاه توسعه ابزار تجزیه و تحلیل جغرافیایی پاسخ داد و در مورد مزایای ادغام چارچوب تجسم D3 در سیستم‌های اطلاعات جغرافیایی سنتی‌تر برای پیشبرد کاوش و استدلال داده‌های مکانی اظهار نظر کرد. در نهایت، یکی از شرکت‌کنندگان احساس کرد که معلمان تجسم ممکن است بخواهند SPoTvis را به دانش‌آموزان خود نشان دهند تا طراحی نوآورانه در زمینه تصویرسازی جغرافیایی را به تصویر بکشند. واضح است که فرصت‌های هیجان‌انگیزی برای گسترش SPoTvis به سایر حوزه‌های تحقیقاتی و همچنین ادغام عملکرد جدید ابزار در نرم‌افزار تحلیل فضایی جامع‌تر وجود دارد. یکی از شرکت‌کنندگان احساس کرد که معلمان تجسم ممکن است بخواهند SPoTvis را به دانش‌آموزان خود نشان دهند تا طراحی نوآورانه در زمینه تصویرسازی جغرافیایی را به تصویر بکشند. واضح است که فرصت‌های هیجان‌انگیزی برای گسترش SPoTvis به سایر حوزه‌های تحقیقاتی و همچنین ادغام عملکرد جدید ابزار در نرم‌افزار تحلیل فضایی جامع‌تر وجود دارد. یکی از شرکت‌کنندگان احساس کرد که معلمان تجسم ممکن است بخواهند SPoTvis را به دانش‌آموزان خود نشان دهند تا طراحی نوآورانه در زمینه تصویرسازی جغرافیایی را به تصویر بکشند. واضح است که فرصت‌های هیجان‌انگیزی برای گسترش SPoTvis به سایر حوزه‌های تحقیقاتی و همچنین ادغام عملکرد جدید ابزار در نرم‌افزار تحلیل فضایی جامع‌تر وجود دارد.

تجربه کاربری SPoTvis به طور کلی مثبت و لذت بخش بود. کاربران از آرزوها، روان بودن و تازگی طراحی و عملکرد SPoTvis قدردانی کردند. در برخی موارد، گزینه های SPoTvis برای تعامل به وضوح الهام گرفته از کاوش داده است. عبارت پلات قطبی و دیدگاه‌های مقایسه چپ/راست توسط شرکت‌کنندگان به عنوان کمک‌های ارزشمندی برای پشتیبانی از تحلیل دیدگاه‌ها در نظر گرفته شد. کاربران علاوه بر این، پیشنهادات مفیدی را برای بهبود قابلیت استفاده SPoTvis در نسخه‌های آینده، با تأکید بر نحوه استفاده از رنگ و بهبود عملکرد «مشابه/متفاوت» ارائه کردند. در حرکت رو به جلو، ما قصد داریم استفاده از بافت را، همانطور که توسط یکی از شرکت‌کنندگان پیشنهاد شد، برای کاهش بار شناختی مرتبط با رمزگذاری بسیاری از ویژگی‌ها با رنگ بررسی کنیم. مثلا، ما می‌توانیم واحدهای فضایی مشابه و متفاوت را با استفاده از تراکم‌های متفاوت الگوهای منطقه‌ای روی نقشه نشان دهیم. ما همچنین قصد داریم معیاری پیچیده‌تر از تشابه ایجاد کنیم، معیاری که شهودی‌تر باشد و نه تنها شباهت‌ها در استفاده از اصطلاح مشترک، بلکه در گرایش‌های سیاسی و متغیرهای جمعیتی را نیز در نظر بگیرد. افزودن دقیق محورها و برچسب‌های مکان نیز در نظر گرفته می‌شود تا کاربران را مستقیم‌تر در مورد معانی متغیرها آگاه کند و حس بهتری از مکان در نمای نقشه ارائه دهد.

نقطه قوت اصلی طراحی و عملکرد SPoTvis این است که برای یک هدف خاص طراحی شده است که در زمان، مکان، مشاهدات و زمینه محدود شده است. جاه‌طلبی‌های بلندمدت ما برای توسعه آینده برنامه‌های تجزیه و تحلیل geovisual بر گسترش عملکرد SPoTvis به منظور انعطاف‌پذیری و مقیاس‌پذیری بیشتر تمرکز دارد. ما برنامه‌ای الهام‌گرفته از SPoTvis را تصور می‌کنیم که داده‌های مشخص شده توسط کاربر از هر نوع کاربردی را در زمان واقعی از فیدهای جریانی (نه فقط توییتر، بلکه برچسب‌های عکس، فیدهای خبری RSS و موارد دیگر) مصرف می‌کند، و به تحلیلگران در هر رشته‌ای امکان مقایسه فضایی را می‌دهد. ترند یا مرتبط ترین اصطلاحات، موضوعات یا تصاویر در اصطلاح طرح قطبی. نماها و تعاملات اصلی منحصر به فرد SPoTvis باقی خواهند ماند،

6. نتیجه گیری

گرچه روندها و نتایج فوق جالب هستند، آیا چیز جدیدی به ما می گویند؟ الگوهای فضایی عقاید سیاسی و رفتار رأی گیری در ایالات متحده به خوبی مستند شده است، اما همیشه در حال تغییر است. تجزیه و تحلیل و ابزار ما نشان می دهد که مکالمات افراد در رسانه های اجتماعی اغلب منعکس کننده این روندهای شناخته شده است و ارزش نظارت برای شناسایی الگوهای جدید یا در حال تغییر را دارد. به نظر می رسد پیشنهاد شود که برنامه هایی مانند SPoTvis ممکن است در آینده بیشتر مورد استفاده قرار گیرند تا به عنوان پیش بینی کننده در زمان واقعی بادهای سیاسی عمل کنند.

ما 50 مورد از رایج ترین کلمات و موضوعات را در توییت های تولید شده در پاییز 2013، مربوط به تعطیلی دولت ایالات متحده و اجرای ACA شناسایی کردیم. مشاهده کردیم که این کلیدواژه‌ها شخصیت‌های سیاسی، نیروی کار و زندگی خانگی را تحت تأثیر قرار می‌دهند. علاوه بر این، ما تشخیص دادیم که مناطقی با اقناع سیاسی مشابه تمایل دارند درباره مجموعه‌ای از موضوعات مشابه توییت کنند.

در عین حال، مهم است که توجه داشته باشید که مردم در مورد چه چیزی صحبت نمی کنند. به عنوان مثال، اخبار مختلف از بسته شدن پارک‌ها و موزه‌های ملی به دلیل تعطیلی خبر می‌دادند، اما این موضوعات در لیست رایج‌ترین کلمات توییت‌هایی که بررسی کردیم، وجود نداشت. داستان‌های خبری در مورد کودکانی که بیرون از باغ‌وحش قفل شده‌اند ممکن است تصاویری دراماتیک برای رسانه‌ها ایجاد کند، اما ما شواهدی پیدا نکردیم که نشان دهد مردم به‌طور پیوسته در سراسر کشور درباره این موضوعات بحث می‌کنند تا جایی که درباره موضوعات خاص دیگری (مانند تأثیرات بر شغل‌شان یا سیاست تعطیلی).

نتایج نشان‌داده‌شده در SPoTvis تجمع‌هایی را نشان می‌دهند که ممکن است هنگام استفاده از مقیاس‌ها یا واحدهای منطقه‌ای دیگر ظاهر نشوند. در سطح فردی، نظرات سیاسی و توییت‌های بسیاری از مردم به شدت از خطوط حزبی پیروی نمی‌کند، همانطور که در سطح ایالتی، هر رأی‌دهنده‌ای یک حزب را انتخاب نمی‌کند. تعداد زیادی دموکرات در تگزاس یا جمهوری خواهان در ماساچوست وجود دارند که تأثیرات محلی آنها در مقیاس ایالتی یا ملی کمتر نشان داده می شود. این دلیلی بود که ما می‌خواستیم با وجود تعداد نسبتاً کم توییت‌ها، مناطق کنگره را روی نقشه قرار دهیم. علاوه بر این، ترجیحات حزبی در امتداد شکاف های شهری- روستایی یا قومیتی به خوبی توسط خطوط دولتی نشان داده نمی شود، در حالی که مناطق کنگره ممکن است عمداً به دنبال این مرزها کشیده شوند.

تحقیقات ما ممکن است با افزایش تعداد توییت‌ها و تنوع گسترده‌تری از مشارکت‌کنندگان توییت تقویت شود. در هر تحلیلی که از رسانه‌های اجتماعی به عنوان داده‌های اولیه استفاده می‌کند، مهم است که سوگیری‌های موجود در این داده‌ها مربوط به سوگیری جمعیت (به عنوان مثال، اینکه چه کسی به اینترنت دسترسی دارد و چه کسی بیشتر تمایل به استفاده از این رسانه‌ها دارد) و سوگیری نمونه‌برداری از الگوریتم‌ها و رابط های برنامه نویسی کاربردی که از طریق آن محققان اجازه دارند داده ها را نمونه برداری کنند [ 30]. ما گمان می‌کنیم که اگر توییت‌های بیشتری در مجموعه داده وجود داشته باشد، قدرت رابطه بین Cook PVI یک واحد و مشابه‌ترین و غیرمشابه‌ترین واحدهای آن افزایش می‌یابد، اما همچنان به دلیل تفاوت بین جمعیت که اندازه گیری PVI و آن در توییتر منعکس شد. افزودن برخی «فیلترسازی هوشمند» برای تشخیص تأثیر توییترهای بیش از حد غالب در مجموعه داده نیز می‌تواند به معنی‌دارتر کردن نتایج کمک کند.

افزایش تعداد توییت‌ها در مجموعه داده‌ها امکان تجزیه و تحلیل زمانی را فراهم می‌کند و بررسی می‌کند که چگونه مضامین در مکالمه با نزدیک شدن به خاموش شدن، تحمل و حل شدن تغییر می‌کنند. سیال بودن حرکت ارائه شده توسط حباب‌ها در اصطلاح طرح قطبی می‌تواند یک محیط ایده‌آل برای نشان دادن چگونگی تغییر موضوعات در برجستگی و محل مبدا در دوره‌های زمانی متوالی ایجاد کند. اطلاعات زمانی در مُهرهای زمانی داده های توییت موجود به راحتی در دسترس است. با این حال، احتمالاً توییت‌های کافی در مجموعه داده‌ای که در اینجا مورد بررسی قرار گرفته‌اند برای ایجاد هرگونه نمایش زمانی معنادار در سطح منطقه کنگره وجود ندارد. با این حال، انباشته های سطح ایالت در روز ممکن است فرکانس های کافی بالایی داشته باشند تا به داده های قابل استفاده منجر شوند.

با اذعان به محدودیت‌های فوق، ما ادعا می‌کنیم که SPoTvis با موفقیت بسیاری از چالش‌های مطرح شده توسط الوود [ 31 ] را برطرف می‌کند.] برای برخورد با داده های فضایی ناهمگن، کیفی و پویا. به عنوان مثال، SPoTvis از گردآوری بینش عمیق و کیفی توسط 9 تحلیلگر پشتیبانی کرد که نقش های بسیار متنوعی را برای رسیدگی به وظایف کاملاً متفاوت اتخاذ کردند. طراحی و عملکرد SPoTvis به کاربران این امکان را می‌دهد که هم رویکردهای داده‌محور و هم مبتنی بر فضای را برای کاوش، ایجاد فرضیه‌های جدید و استنتاج درباره گفتمان پست شده در توییتر پیرامون تعطیلی دولت ایالات متحده در سال 2013 اتخاذ کنند. تعامل بین نقشه و واژه پلاریته برای مقایسه هر دو واحد فضایی، یک تکنیک تجزیه و تحلیل بصری منحصر به فرد است که می تواند با مجموعه های مختلف داده ها و مقیاس ها، مانند فیدهای خبری RSS از سراسر جهان، سازگار شود. در نهایت،

منابع

توماس، جی جی. Cook, KA (ویرایشگران) Illuminating the Path: The Research and Development Agenda for Visual Analytics , 1st ed.; IEEE Computer Society: Los Alamos، CA، USA، 2005.
MacEachren، AM Cartography به عنوان یک رشته دانشگاهی: یک فرصت از دست رفته یا یک شروع جدید؟ کارتوگر. J. 2013 ، 50 ، 166-170. [ Google Scholar ] [ CrossRef ]
GeoVISTA “SPoTvis”. در دسترس آنلاین: http://www.geovista.psu.edu/SPoTvis/ (دسترسی در 14 فوریه 2015).
Vieweg, S.; هیوز، آل. استاربرد، ک. Palen, L. میکروبلاگینگ در طول دو رویداد مخاطره طبیعی: آنچه توییتر ممکن است به آگاهی موقعیتی کمک کند. در مجموعه مقالات کنفرانس SIGCHI در مورد عوامل انسانی در سیستم های محاسباتی، آتلانتا، GA، ایالات متحده آمریکا، 10-15 آوریل 2010. صص 1079-1088.
سیگنورینی، آ. Segre، AM; Polgreen, PM استفاده از توییتر برای ردیابی سطوح فعالیت بیماری و نگرانی عمومی در ایالات متحده در طول همه‌گیری آنفولانزای H1N1. PLoS One 2011 ، 6 ، e19467. [ Google Scholar ] [ CrossRef ] [ PubMed ]
چارل، آ. هابمن هایدوگل، ا. ویچسلبراون، آ. لانگ، اچ پی؛ سابو، ام. تماشای رسانه در مورد تغییرات آب و هوا – تجزیه و تحلیل بصری برای جمع آوری و مدیریت دانش محیطی از منابع آنلاین. در مجموعه مقالات چهل و ششمین کنفرانس بین‌المللی هاوایی در علوم سیستمی (HICSS)، گرند وایل، HI، ایالات متحده آمریکا، 7 تا 10 ژانویه 2013. ص 955-964.
MacEachren، AM; رابینسون، AC; جیسوال، ا. پزانوفسکی، اس. ساولیف، آ. بلانفورد، جی. Mitra, P. Geo-twitte Analytics: کاربردها در مدیریت بحران. در مجموعه مقالات بیست و پنجمین کنفرانس بین المللی کارتوگرافی، پاریس، فرانسه، 3 تا 8 ژوئیه 2011; صص 3-8.
اسمیت، MA; راینی، ال. اشنایدرمن، بی. Himelboim، I. نقشه‌برداری شبکه‌های موضوعی توییتر: از جمعیت قطبی‌شده تا خوشه‌های اجتماعی. کارآموز پیو. صبح. پروژه زندگی 2014. در دسترس آنلاین: http://www.pewinternet.org/2014/02/20/mapping-twitter-topic-networks-from-polarized-crowds-to-community-cluster/ (در 16 سپتامبر 2014 قابل دسترسی است).
دیاکوپولوس، ن. نعمان، م. Kivran-Swaine، F. Diamonds in Rough: تجزیه و تحلیل بصری رسانه های اجتماعی برای تحقیق روزنامه نگاری. در مجموعه مقالات سمپوزیوم IEEE در علم و فناوری تجزیه و تحلیل بصری (VAST)، لیک سیتی، UT، ایالات متحده آمریکا، 24 تا 29 اکتبر 2010. صص 115-122.
خو، پی. وو، ی. وی، ای. پنگ، TQ; لیو، اس. زو، جی جی. Qu, H. تجزیه و تحلیل بصری رقابت موضوع در رسانه های اجتماعی. IEEE Trans. Vis. محاسبه کنید. گرافیک 2013 ، 19 ، 2012–2021. [ Google Scholar ] [ CrossRef ]
هاور، اس. هتزلر، بی. Nowell, L. ThemeRiver: تجسم تم در طول زمان تغییر می کند. در مجموعه مقالات سمپوزیوم IEEE در مورد تجسم اطلاعات، سالت لیک سیتی، UT، ایالات متحده آمریکا، 9-10 اکتبر 2000. صص 115-123.
Tsou، MH; یانگ، جی. لوشر، دی. هان، اس. اسپیتزبرگ، بی. Gawron، JM; گوپتا، دی. An, L. نقشه برداری از فعالیت ها و مفاهیم اجتماعی با رسانه های اجتماعی (تویتر) و موتورهای جستجوی وب (یاهو و بینگ): مطالعه موردی در انتخابات ریاست جمهوری ایالات متحده در سال 2012. کارتوگر. Geogr. آگاه کردن. علمی 2013 ، 40 ، 337-348. [ Google Scholar ] [ CrossRef ]
بدنار، ت. Salathé، M. اعتبارسنجی مدل‌های تشخیص بیماری با استفاده از توییتر. در مجموعه مقالات بیست و دومین کنفرانس بین المللی در مورد همنشین وب جهانی، ریودوژانیرو، برزیل، 13 تا 17 مه 2013; صص 699-702.
ویگاس، FB؛ Wattenberg، M. Timelines ابرها و مورد را برای تجسم بومی برچسب گذاری می کنند. تعاملات 2008 ، 15 ، 49-52. [ Google Scholar ] [ CrossRef ]
Funkhouser، HG; واکر، HM Playfair و نمودارهای او. اقتصاد تاریخچه 1935 ، 3 ، 103-109. [ Google Scholar ]
IBM “چشم های بسیاری”. در دسترس آنلاین: http://www-969.ibm.com/ (دسترسی در 5 آوریل 2014).
ویگاس، FB؛ واتنبرگ، ام. ون هام، اف. کریس، جی. McKeon, M. Manyeyes: سایتی برای تجسم در مقیاس اینترنت. IEEE Trans. Vis. محاسبه کنید. نمودار. 2007 ، 13 ، 1121-1128. [ Google Scholar ] [ CrossRef ] [ PubMed ]
وردل. در دسترس آنلاین: http://www.wordle.net/ (دسترسی در 5 آوریل 2014).
ویگاس، FB؛ واتنبرگ، ام. فینبرگ، جی. تجسم مشارکتی با وردل. IEEE Trans. Vis. محاسبه کنید. نمودار. 2009 ، 15 ، 1137-1144. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کوی، دبلیو. وو، ی. لیو، اس. وی، اف. ژو، MX; Qu, H. زمینه حفظ تجسم ابر کلمه پویا. در مجموعه مقالات سمپوزیوم تجسم اقیانوس آرام (PacificVis)، تایپه، تایوان، 2 تا 5 مارس 2010. صص 121-128.
کوی، دبلیو. لیو، اس. تان، ال. شی، سی. آهنگ، ی. گائو، ز. کو، اچ. تانگ، ایکس. جریان متن: به سوی درک بهتر موضوعات در حال تحول در متن. IEEE Trans. Vis. محاسبه کنید. نمودار. 2011 ، 17 ، 2412-2421. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کالینز، سی. ویگاس، FB؛ Wattenberg، M. ابرهای برچسب موازی برای کاوش و تجزیه و تحلیل پیکره های متنی وجهی. در مجموعه مقالات سمپوزیوم IEEE 2009 در علم و فناوری تجزیه و تحلیل بصری (VAST)، آتلانتیک سیتی، نیوجرسی، ایالات متحده آمریکا، 11-16 اکتبر 2009. صص 115-122.
بوستوک، ام. کارتر، اس. اریکسون، ام. در کنوانسیون های ملی، کلماتی که آنها استفاده کردند. نیویورک تایمز . 2012. در دسترس آنلاین: http://www.nytimes.com/interactive/2012/09/06/us/politics/convention-word-counts.html/ (در 13 دسامبر 2013 قابل دسترسی است).
هاروور، ام. Brewer, CA ColorBrewer.org: ابزاری آنلاین برای انتخاب طرح‌های رنگی برای نقشه‌ها. کارتوگر. J. 2003 ، 40 ، 27-37. [ Google Scholar ] [ CrossRef ]
Shneiderman، B. چشم ها آن را دارند: وظیفه ای بر اساس طبقه بندی نوع داده برای تجسم اطلاعات. در مجموعه مقالات سمپوزیوم IEEE 1996 در زبانهای بصری، بولدر، CO، ایالات متحده آمریکا، 3-6 سپتامبر 1996. صص 336-343.
بوستوک، ام. اوگیوتسکی، وی. Heer, J. D ³ اسناد مبتنی بر داده. IEEE Trans. Vis. محاسبه کنید. نمودار. 2011 ، 17 ، 2301-2309. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کارت، SK; مکینلی، جی دی. Shneiderman, B. (Eds.) Readings in Information Visualization: Using Vision to Think , 1st ed.; Morgan Kaufmann Publishers Inc.: San Francisco, CA, USA, 1999.
North, C. به سوی اندازه گیری بینش تجسم. محاسبات IEEE. نمودار. Appl. 2006 ، 26 ، 6-9. [ Google Scholar ] [ CrossRef ] [ PubMed ]
چانگ، آر. زیمکیویچ، سی. سبز، TM; ریبارسکی، دبلیو. تعریف بینش برای تجزیه و تحلیل بصری. محاسبات IEEE. نمودار. Appl. 2009 ، 29 ، 6-9. [ Google Scholar ] [ CrossRef ] [ PubMed ]
روث، دی. Pfeffer, J. رسانه های اجتماعی برای مطالعات بزرگ رفتار. Science 2014 ، 346 ، 1063-1064. [ Google Scholar ] [ CrossRef ] [ PubMed ]
الوود، اس. علم اطلاعات جغرافیایی: فناوری‌های تجسم جغرافیایی جدید – سؤالات و پیوندهای نوظهور با تحقیقات GIScience. پیشرفت هوم. Geogr. 2009 ، 33 ، 256-263. [ Google Scholar ] [ CrossRef ]

© 2015 توسط نویسندگان; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (http://creativecommons.org/licenses/by/4.0/) توزیع شده است

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب