宮部 真衣 † ,荒牧 英治 † ,三浦 麻子 ‡ † 東京大学知の構造化センター ‡ 関西学院大学文学部.

Slides:



Advertisements
Similar presentations
流言情報クラウド: 人間の発信した訂正情報の抽出による 流言収集 宮部 真衣 † 梅島 彩奈 ‡ 灘本 明代 ‡ 荒牧 英治 † † 東京大学知の構造化センター ‡ 甲南大学知能情報学部.
Advertisements

静岡大学情報学研究科 戸根木千洋 ユーザーイメージ収集 インターフェースの開発. 2 目次 背景と目的 研究の構成 研究の詳細 イメージ収集インターフェースの提案 映画イメージ収集システムの開発 システムの評価 今後の課題.
おもてなしアプリ「旅ぷら」のポイント ①旅行計画作成~検索・ナビゲーション・域 内周遊をサポート (他県からの流入も促進) ②地域の方々によるタイムリーな情報発信 (とれたて情報発信) ③「スポット情報」と「とれたて情報」が紐 づく ⇒今、どこで何が起きているかが分かる (ユーザの行動を促す仕組み)
ロックンロール県庁所在地 初球日本語会話. 県庁所在地 都道府縣廳所在地是日本的都廳、道廳、 府廳、縣廳的設置場所,根據地方自治法 第四條與都道府縣條例而設立。日本地方自治法都道府縣 都道府縣廳所在地是各都道府縣行政機關 與國家機關的集中地,行政的中心地,都 道府縣議會所在的地方自治中心地。縣廳 所在地稱為縣都、道廳所在地稱為道都。行政機關地方自治.
47 都道府県 日本地理 南台科技大學 應用日語系 担当:山藤夏郎 2 47 都道府県 日本の行政区分 47 の都道府県がある。 47 の都道府県がある。 1都1道2府 43 県 1都1道2府 43 県 都(と) … 首都 都(と) … 首都 道(どう) … 地方 道(どう) … 地方 府(ふ)
都道府県の 位置と名称 都道府県の 位置と名称 はじめ る. 北海道 道庁所在地は? 北海道の道庁所在地は 札幌市.
宮城県 3.11 被災地被害状況. 東日本大震災がもたらしたもの 広範囲に及ぶ災害 津波被害 原子力被害.
にのへ イノベーション 北からの発信事業 地域を元気にする愛輪塾 事務局 小船浩幸. 愛輪塾の紹介 愛輪塾は、平成 13 年 4 月に歴史的オートバイを保存展 示するために施設「みちのく記念館」を旧浄法寺町の地 域活性化センター内に建設したことに始まります。 愛輪塾は、平成 13 年 4 月に歴史的オートバイを保存展.
2010年7月 読者プロファイル 株式会社毎日コミュニケーションズ 出版事業本部広告部 TEL:
仙台防災枠組の実施に向けて 海外の災害・東日本大震災から生まれた広域復興トークライブ 仙台防災未来フォーラム
マイクロブログではどの程度 流言が訂正されるのか? ―Twitter上での1年間の流言訂正情報の分析―
JGN2ネットワーク概要 *IX:Internet eXchange AP:Access Point H19年8月現在 札幌 仙台 金沢
H28改定後の全国の届出動向 2167施設が届出 1 愛知256 2 広島199 3 兵庫
データ解析 静岡大学工学部 安藤和敏
地域再生中小企業創業助成金のご案内 創業経費に対する助成 雇入れに対する助成 厚生労働省、道県労働局、ハローワーク
(経営改善支援センター・中小企業再生支援協議会)
@15円でご提供 86.1%! Potora ポテンシャルニーズ(1~3月版) ご好評いただいているポテンシャルニーズの最新版です。
(経営支援型セーフティネット貸付・借換保証制度)
Travel plan 今回の 旅プラン 旅のメンバー 鈴木 健太 佐藤 まいこ 鈴木 健太 佐藤 まいこ
2016/05/30 駒澤大学 経営学部 市場戦略学科 Mr4026 ばーちー
土木計画学 第5回(11月2日) 調査データの統計処理と分析3 担当:榊原 弘之.
統計的仮説検定の考え方 (1)母集団におけるパラメータに仮説を設定する → 帰無仮説 (2)仮説を前提とした時の、標本統計量の分布を考える
平成19年度 岐阜大学応用生物科学部 生産環境科学課程 環境生態科学コース 水利環境学研究室 下出 大介
14度目の“11” ~つくば市を題材にした風化と防災~
イシガイ類幼生の魚類への寄生状況 魚類を介した移動に関する研究
@15円でご提供 88.5%! Potora ポテンシャルニーズ(4~6月版) 平均CTR実績 初回ご出稿に限り
被災地でのボランティア活動について考えよう
教育情報の多変量解析 データの視覚化 データの分類 2変数群間の関係 その他.
@Minako Wakasugi, MD, MPH, PhD
自治体における震災アーカイブとは 東北大学災害科学国際研究所 災害アーカイブ研究分野 柴山明寛 東北大学災害科学国際研究所.
病院ならびに老健と外部医療機関との連携の実態と課題
被災地復興ソーシャルビジネスフォーラムについて
1 平成28年11月1日現在配備状況 76機(45都道府県、55団体)
教育と学習の原理レポート 課題5  自作教材の作成  ○○未来.
土木計画学 第6回(11月9日) 調査データの統計処理と分析4 担当:榊原 弘之.
1DS04169K 太田睦美 1DS04185K 高田将平 1DS04206E 森根光春
Travel plan 今回の 旅プラン 旅のメンバー 鈴木 健太 佐藤 まいこ 鈴木 健太 佐藤 まいこ
災害廃棄物発生量の推計精度 向上のための方策検討 環境再生・資源循環局 災害廃棄物対策室 平成30年3月13日 資料 3-6
男女別大学進学率の 地域別格差の原因と影響
無 期 転 換 ル ー ル 緊 急 相 談 ダイヤル 無期転換ルールに関するあらゆるご相談を受け付けています。
【演習4】の進行(225分) ※途中休憩有り No 項目 内容 時間 1 演習についての説明 演習の進行方法について確認 5分 2
オープンデータ流通推進コンソーシアム オープンデータ化のためのCSVデータ規格案
~起業家にとっての地方の魅力・メリット~
5.社会指標比較→統計はあるが、実態分かりにくい
県名ゲームの遊び方 マウスをクリックまたはENTERキーを押すと始まり、どんどん進んでいきます。
Twitterのbotを活用した音楽広告の提案と分析
多母集団の同時分析 豊本満喜子 大阪大学人間科学部.
SNSの急拡大! ネット時事課題 ○子供たちは、スマートフォンや携帯ゲーム機を使い、毎日様々なインターネットサービスを利用しています。
TIME SIGNAL: 集合知を利用した赤信号点灯時間の取得手法
群馬医療福祉大学看護学部 2年 ○○ 美里 提出日2016年01月11日
道路通行実績マップ 防災 減災 少子 高齢 産業 創出 道路通行実績マップ 誕生の キッカケ 道路通行実績マップでこう 変わった!
移動エントロピーによる 動的ネットワーク化を用いた SNSと商品購買の相互関係の分析
平成24年度 臨床研修医 都道府県別採用実績について
I班 東京大学 伊藤・柿元・瀧口・戸叶・福士
フッ化物洗口実施状況の推移 (日本むし歯予防フッ素推進会議調べ)
平成25年度 障害者虐待防止法に係る 大阪府の対応状況について
地域の助け合い 中学校用.
水田立地とコメ品質の関係 東京大学 山路永司 2019/5/1.
無 期 転 換 ル ー ル 緊 急 相 談 ダイヤル 無期転換ルールに関するあらゆるご相談を受け付けています。
仙台管区気象台 気象防災部 地球環境・海洋課 渕上 隆雄
公開シンポジウム 東日本大震災に負けない ー全国産婦人科医の連携ー 日本産婦人科医会の対応 日本産婦人科医会常務理事 日本医科大学 中井章人.
医療観察法の運用状況について    医療観察法は、心神喪失又は心神耗弱の状態(精神障害のために善悪の区別がつかないなど、刑事責任を問えない状態)で、重大な他害行為(殺人、放火、強盗、強姦、強制わいせつ、傷害)を行った人に対して、適切な医療を提供し、社会復帰を促進することを目的とした制度である 1.指定入院医療機関の整備状況.
※関東圏の施設に設置できない場合は、災対本部機能を代行する支部を指名し、本社職員を派遣。
北海道胆振東部地震における対応.
オープンデータ流通推進コンソーシアム オープンデータ化のためのCSVデータ規格案
地方公共団体のオープンデータ取組済み(※)数の推移
平成26年度 障害者虐待防止法に係る 大阪府内の対応状況について
ロコモ認知度の都道府県別調査 2018年7月1日から1週間 インターネット調査 年代:3区分(20~39歳、40~59歳、60~79歳)
「産婦人科医療における格差是正に向けて」
ブログアクセスアップの方法  周 嘉鏐
Presentation transcript:

宮部 真衣 † ,荒牧 英治 † ,三浦 麻子 ‡ † 東京大学知の構造化センター ‡ 関西学院大学文学部

Center for Knowledge Structuring, The University of Tokyo 研究背景 2. 検証仮説 3. 対象データセット a. ツイートの種類 b. ツイートの発信地 c. 引用関係の定義 4. 分析結果 分析 1 :各地域において, Twitter はどのように利用された のか? 分析 2 :被災地から発信された情報は,他の地域で拡散さ れたのか? 5. まとめ

Center for Knowledge Structuring, The University of Tokyo. マイクロブログの普及 –Twitter 利用者数: 1491 万人( 2011 年 7 月) 東日本大震災( 2011 年 3 月 11 日) –Twitter などのマイクロブログが重要な情報イン フラの 1 つとして活用された 3 今回の震災において活用された Twitter の 利用傾向を分析し,今後のシステム開発 などのための知見を抽出

Center for Knowledge Structuring, The University of Tokyo. 人々の感情変化の分析 –Cohn ら( 2004 ), Back(2010) 災害・事件:アメリカ同時多発テロ事件( 2001 年) 分析対象:ブログ デマの発信・拡散についての分類 –Mendoza ら( 2010 ) 災害・事件:チリ地震( 2010 年) 分析対象: Twitter 4

Center for Knowledge Structuring, The University of Tokyo. ツイート発信者の分類や,ツイートで引用さ れた URL の参照内容に関する分析 –Longueville ら (2009) 災害・事件:フランスにおける森林火災( 2009 年) 分析対象: Twitter 伝搬していった情報に関する分析 –Vieweg ら( 2010 ) 災害・事件:オクラホマの火事,レッドリバーでの洪水 ( 2009 年) 分析対象: Twitter –Qu ら( 2010 ) 災害・事件:青海地震( 2010 年) 分析対象:オンラインフォーラム( BBS ) 5

Center for Knowledge Structuring, The University of Tokyo. 東日本大震災発生後に Twitter へと投稿された ツイートを分析 本研究のポイント – 比較的長期間( 20 日間)のデータを用いる – 地域性を考慮した分析を行う 6 震災発生時の Twitter 利用傾向などを 明らかにする

Center for Knowledge Structuring, The University of Tokyo 研究背景 2. 検証仮説 3. 対象データセット a. ツイートの種類 b. ツイートの発信地 c. 引用関係の定義 4. 分析結果 分析 1 :各地域において, Twitter はどのように利用された のか? 分析 2 :被災地から発信された情報は,他の地域で拡散さ れたのか? 5. まとめ

Center for Knowledge Structuring, The University of Tokyo. マスメディア – 情報発信者:メディア運営者 8 一方通行 双方向 ソーシャルメディア – 情報発信者:各個人

Center for Knowledge Structuring, The University of Tokyo. 東日本大震災 – 被害の範囲が広く,マスメディアでも全体を報 じきれない – 被害が深刻でないものの,支援が必要な地域を 対応しきれない [1] マスメディアで対応しきれない被災地の状 況を,ソーシャルメディアにより各個人が 発信できる可能性 9 [1] 小林啓倫:災害とソーシャルメディア~混乱、そして再生へと導く人々の「つながり」~,毎日コミュニケーションズ (2011).

Center for Knowledge Structuring, The University of Tokyo. 1. 情報発信者の状況によって利用方法に違い があるのではないか? 2. 被災地から発信された情報は,全国的に広 まるのではないか? 10 各地域において, Twitter はど のように利用されたのか? 被災地から発信された情報は, 他の地域で拡散されたのか?RQ1 RQ2

Center for Knowledge Structuring, The University of Tokyo 研究背景 2. 検証仮説 3. 対象データセット a. ツイートの種類 b. ツイートの発信地 c. 引用関係の定義 4. 分析結果 分析 1 :各地域において, Twitter はどのように利用された のか? 分析 2 :被災地から発信された情報は,他の地域で拡散さ れたのか? 5. まとめ

Center for Knowledge Structuring, The University of Tokyo. 本研究では,以下の 5 種類のデータを利用 – 震災時 2011 年 3 月 11 日から 30 日までのツイート – 「地震」というキーワードを含むツイートを収集 – 平常時 A 震災以前( 2010 年 3 月)のツイート – 平常時 B 震災発生から約 4 か月後( 2011 年 7 月)の,地震以外のトピックに関して 収集したツイート – 「風邪」および関連キーワードを含むツイートを収集 – 平常時 C 震災発生から約 4 か月後( 2011 年 7 月)の,地震以外のトピックに関して 収集したツイート – 「見える」および「聞こえる」を含むツイートを収集 – 平常時 D 震災発生から約 4 か月後( 2011 年 7 月)の,地震以外のトピックに関して 収集したツイート – 症例キーワード(「頭痛」など)を含むツイートを収集 12

Center for Knowledge Structuring, The University of Tokyo. データ セット 取得期間ツイート数収集キーワード位置情報 震災時 2011 年 3 月 1,612,074 「地震」あり 平常時 A2010 年 3 月 99,765,808 なし 平常時 B 2011 年 7 月 493,597 「風邪」など あり 平常時 C 1,278,581 「見える」 「聞こえる」 平常時 D 4,238,627 症例 (「頭痛」など) 13

Center for Knowledge Structuring, The University of Tokyo. 本研究では,以下のツイート を扱う – リツイート( RT ) 他ユーザのツイートを自分のフォ ロワーに転送する行為 ユーザ名 ” が含まれる (非公式 RT ) ※公式 RT は全体の 2.6% であったため, 今回は非公式 RT のみを用いる – リプライ 特定のユーザ宛のツイート ユーザ名 ” から始まる 14情報拡散行動 対話行動

Center for Knowledge Structuring, The University of Tokyo. 以下の 4 つの地域に分類 –AREA1 :大災害地域 宮城県,岩手県,福島県 –AREA2 :災害地域 AREA1 に隣接した都道府県 青森県,秋田県,山形県, 新潟県,栃木県,茨城県, 群馬県 –AREA3 :間接的災害地域 AREA2 を除いた東京電力管 内の都道府県 東京都,千葉県,埼玉県, 山梨県,神奈川県,静岡県 –AREA4 :非災害地域 AREA1 ~ 3 以外の都道府県 15 大 大 小 小 被害

Center for Knowledge Structuring, The University of Tokyo. 16 発信地の特定手順 – 位置情報が付与されている場合 逆ジオエンコーディングにより都道府 県を特定 – 位置情報が付与されていない場合 ユーザのプロフィールから文字列マッ チングにより都道府県を抽出 ユーザ数ユーザ比率ツイート数 1 人当たりの ツイート数 AREA 1 18,964 人 5.3%51, AREA 2 24,693 人 6.9%60, AREA 3 216,741 人 60.8%497, AREA 4 96,087 人 27.0%221,

Center for Knowledge Structuring, The University of Tokyo. RT 投稿者と RT されたツイートの投稿者(被 RT 者)の扱い 17 本研究では,ツイート内容から取得可能な 最古のツイート投稿者を被 RT 者とする 本研究では,ツイート内容から取得可能な 最古のツイート投稿者を被 RT 者とする 時間 A ○○ らしい B ユーザ A ○○ らしい C ユーザ B ユーザ A ○○ らしい D ユーザ C ユーザ B ユーザ A ○○ らしい E A B C DE A の RT と見なす

Center for Knowledge Structuring, The University of Tokyo 研究背景 2. 検証仮説 3. 対象データセット a. ツイートの種類 b. ツイートの発信地 c. 引用関係の定義 4. 分析結果 分析 1 :各地域において, Twitter はどのように利用された のか? 分析 2 :被災地から発信された情報は,他の地域で拡散さ れたのか? 5. まとめ

Center for Knowledge Structuring, The University of Tokyo. 本発表では,以下の 2 つの調査結果について 報告 19 各地域において, Twitter は どのように利用されたのか?( RQ1 ) 分析 1 被災地から発信された情報は, 他の地域で拡散されたのか?( RQ2 ) 分析 2

Center for Knowledge Structuring, The University of Tokyo. 20 RT 率(情報拡散行動) リプライ率(対話行動) 震災時の各地域における利用傾向を RT 率(情報拡散行動) と リプライ率(対話行動) から分析 災害時の特徴の確認 平常時との違いはあるか? 時間経過に伴い,どのような変化をしているか? 被害の大きさによる違いの確認 各地域での違いはあるか?

Center for Knowledge Structuring, The University of Tokyo. 21 震災時は,情報拡散行動が活発化し, 対話行動が抑制される

Center for Knowledge Structuring, The University of Tokyo. 22 地震発生直後は,情報拡散行動( RT )が最も 活性化し,対話行動(リプライ)が最も抑制

Center for Knowledge Structuring, The University of Tokyo. 23 (a)RT 率(情報拡散行動) (b) リプライ率(対話行動)

Center for Knowledge Structuring, The University of Tokyo. 平常時と比較して,震災時は情報拡散行動( RT )が活発化 RT 率とリプライ率には負の相関あり(相関係数: ) 24 各地域において, Twitter は どのように利用されたのか? RQ1 RT 率(情報拡散)リプライ率(対話) AREA1 25.0%20.0% AREA2 28.8%18.7% AREA3 33.4%17.2% AREA4 42.0%15.8% 大 大 小 小 被害 被害の大きかった地域では対話行動が, 被害の小さかった地域では情報拡散行動がなされた 被害の大きかった地域では対話行動が, 被害の小さかった地域では情報拡散行動がなされた

Center for Knowledge Structuring, The University of Tokyo. 25 RT ・被 RT の位置関係 被災地から発信された情報の拡散傾向 を, RT ・被 RT の位置関係 から分析 RT における位置関係の確認 各地域のツイートは,各地域でどれだけ RT された か? – 他地域で RT された割合の確認 各地域の情報は,どれだけ他地域で RT されたか?

Center for Knowledge Structuring, The University of Tokyo. 26 A ○○ らしい B ユーザ A ○○ らしい AREA 1 AREA 3 被 RT 者と RT 投稿者の位置関係から, 各地域のツイートがどの地域で RT されたかを調査 この場合, 被 RT 者の地域: AREA1 (ユーザ A ) RT 投稿者の地域: AREA3 (ユーザ B )

Center for Knowledge Structuring, The University of Tokyo. 本研究では,ツイート移動率( TTR )を定義 – 各地域の発言が,他地域でどれだけ RT されたか? 27 RT 投稿者 AREA1AREA2AREA3AREA4 計 被 RT 者 AREA112,4703,13626,32314,98956,918 AREA21,43010,51719,52713,16044,634 AREA326,23945,042527,516280,054878,851 AREA46,04710,77899,789110,062226,676 計 48,18669,473673,155418,2651,207,079 例: AREA1 の場合 AREA1 の被 RT 数 –56918 他地域での RT 数 – = 44448

Center for Knowledge Structuring, The University of Tokyo. TTR は地域の大きさの影響を受ける 28 被引用者の地域 AREA1AREA2AREA3AREA4 TTR 変化率 116.5%88.9%94.0%95.6% 地域ごとに,平常時の TTR との違い ( TTR 変化率)を検証 ※比較対象として,平常時 D のデータを用いた AREA1 (大災害地域)は, 他地域と比較して TTR 変化率が高い

Center for Knowledge Structuring, The University of Tokyo. 29 震災発生から数日間は, AREA1 , AREA2 , AREA3 における TTR 変化率が高い

Center for Knowledge Structuring, The University of Tokyo. 大災害地域( AREA1 )は,平常時と比較し てツイート移動率が高い 震災発生後数日間は,非災害地域 ( AREA4 )を除いた地域におけるツイート 移動率が高い 30 被災地から発信された情報は, 他の地域で拡散されたのか? RQ2 特に被害の大きい地域のツイートについては, 他地域で拡散される割合が多い 特に被害の大きい地域のツイートについては, 他地域で拡散される割合が多い

Center for Knowledge Structuring, The University of Tokyo 研究背景 2. 検証仮説 3. 対象データセット a. ツイートの種類 b. ツイートの発信地 c. 引用関係の定義 4. 分析結果 分析 1 :各地域において, Twitter はどのように利用された のか? 分析 2 :被災地から発信された情報は,他の地域で拡散さ れたのか? 5. まとめ

Center for Knowledge Structuring, The University of Tokyo. 概要 – 東日本大震災後のツイート( 2011 年 3 月 11 日~ 30 日)の傾向について調査 分析結果 – 地域によって, Twitter での行動傾向が異なる – 特に被害の大きい地域で発信された情報は,他地域 へと移動し,拡散される傾向がある 今後の課題 – 災害時の利用における問題点への対応の検討 –3 月以降の傾向の分析 現在,継続してツイートを収集中 – ツイート内容を含めた分析 重要な情報が拡散されていたか? 32

Center for Knowledge Structuring, The University of Tokyo. 33 ご清聴ありがとうございました 連絡先: 本研究で用いた地震に関するツイートデータは,以下の URL から取得・利用できます.