یک ابزار جدید "استنباط جمعیتی" که توسط دانشگاهیان ایجاد شده است می تواند پیش بینی های خود را صرفاً بر اساس اطلاعات موجود در پروفایل رسانه اجتماعی یک شخص (به عنوان مثال نام صفحه ، شرح حال ، عکس پروفایل و نام) انجام دهد. این ابزار - که به 32 زبان کار می کند - می تواند زمینه را برای نمایش نظرات در رسانه های اجتماعی به روش های نظرسنجی محبوب فراهم کند.
محققان دانشگاه آکسفورد ، دانشگاه میشیگان ، دانشگاه ماساچوست ، GESIS - انستیتوی علوم اجتماعی لایب نیتس ، موسسه ماکس پلانک و دانشگاه استنفورد روشی را برای استنباط اطلاعات درباره یک مالک حساب رسانه های اجتماعی بر اساس اطلاعات فاش شده تهیه کرده اند. در اطلاعات نمایه توییتر خود
یک سیستم یادگیری ماشین پمپ وکیوم خلاء جدید که این هفته در کنفرانس وب در سانفرانسیسکو رونمایی شد ، الگوهای مربوط به سنین مختلف ، جنسیت ها ، و بین سازمان ها و افراد را از مجموعه داده های بیش از چهار میلیون حساب توییتر به 32 زبان آموخته است. این اطلاعات سپس با مکانهای تخمین زده شده ترکیب شده و دوباره در برابر داده های سرشماری بارگیری شدند تا تخمین های دقیق تری از جمعیت در 1101 منطقه آماری در سراسر اتحادیه اروپا تولید کنند.
این می تواند راه را برای درک نماینده تر از دیدگاه مردم در مورد موضوعات و موضوعات کلیدی جامعه ، بر اساس آنچه در رسانه های اجتماعی ارسال می کنند ، و براساس موقعیت های خاص جغرافیایی و گروه های جمعیتی ایجاد کند ، هموار کند.
دکتر اسکات هیل ، پژوهشگر ارشد ، انستیتو اینترنت آکسفورد ، دانشگاه آکسفورد گفت: "علیرغم ارائه تعداد زیادی از داده ها ، رسانه های اجتماعی از مدت ها قبل ابزاری غیرقابل اطمینان برای درک مسائل مهم برای جمعیت گسترده تر با توجه به چگونگی خود مردم است. با استفاده از هر بستر یک گزینه را انتخاب کنید.
وی ادامه داد: "این اولین مطالعه در نوع خود پیش بینی های جمعیتی راجع به صاحب حساب رسانه های اجتماعی انجام می دهد که صرفاً بر اساس اطلاعات پروفایل حساب به 32 زبان انجام می شود و سپس نمونه آنلاین را دوباره وزن می کند تا بیشتر شبیه به یک جمعیت آفلاین باشد.
"ما این را گامی مهم در جهت استفاده از رسانه های اجتماعی برای گرفتن تصویری دقیق تر از موضوعات و مباحثی می دانیم که بیشتر مورد توجه مردم قرار گرفته و درک اینکه دیدگاه گروه ها بیش از حد و یا کمتر نشان داده شده است."
یک ابزار جدید "استنباط جمعیتی" که توسط دانشگاهیان ایجاد شده است می تواند پیش بینی های خود را صرفاً بر اساس اطلاعات موجود در پروفایل رسانه اجتماعی یک شخص (به عنوان مثال نام صفحه ، شرح حال ، عکس پروفایل و نام) انجام دهد. این ابزار - که به 32 زبان کار می کند - می تواند زمینه را برای نمایش نظرات در رسانه های اجتماعی به روش های نظرسنجی محبوب فراهم کند.
محققان دانشگاه آکسفورد ، دانشگاه میشیگان ، دانشگاه ماساچوست ، GESIS - انستیتوی علوم اجتماعی لایب نیتس ، موسسه ماکس پلانک و دانشگاه استنفورد روشی را برای استنباط اطلاعات درباره یک مالک حساب رسانه های اجتماعی بر اساس اطلاعات فاش شده تهیه کرده اند. در اطلاعات نمایه توییتر خود
یک سیستم یادگیری ماشین پمپ وکیوم خلاء جدید که این هفته در کنفرانس وب در سانفرانسیسکو رونمایی شد ، الگوهای مربوط به سنین مختلف ، جنسیت ها ، و بین سازمان ها و افراد را از مجموعه داده های بیش از چهار میلیون حساب توییتر به 32 زبان آموخته است. این اطلاعات سپس با مکانهای تخمین زده شده ترکیب شده و دوباره در برابر داده های سرشماری بارگیری شدند تا تخمین های دقیق تری از جمعیت در 1101 منطقه آماری در سراسر اتحادیه اروپا تولید کنند.
این می تواند راه را برای درک نماینده تر از دیدگاه مردم در مورد موضوعات و موضوعات کلیدی جامعه ، بر اساس آنچه در رسانه های اجتماعی ارسال می کنند ، و براساس موقعیت های خاص جغرافیایی و گروه های جمعیتی ایجاد کند ، هموار کند.
دکتر اسکات هیل ، پژوهشگر ارشد ، انستیتو اینترنت آکسفورد ، دانشگاه آکسفورد گفت: "علیرغم ارائه تعداد زیادی از داده ها ، رسانه های اجتماعی از مدت ها قبل ابزاری غیرقابل اطمینان برای درک مسائل مهم برای جمعیت گسترده تر با توجه به چگونگی خود مردم است. با استفاده از هر بستر یک گزینه را انتخاب کنید.
وی ادامه داد: "این اولین مطالعه در نوع خود پیش بینی های جمعیتی راجع به صاحب حساب رسانه های اجتماعی انجام می دهد که صرفاً بر اساس اطلاعات پروفایل حساب به 32 زبان انجام می شود و سپس نمونه آنلاین را دوباره وزن می کند تا بیشتر شبیه به یک جمعیت آفلاین باشد.
"ما این را گامی مهم در جهت استفاده از رسانه های اجتماعی برای گرفتن تصویری دقیق تر از موضوعات و مباحثی می دانیم که بیشتر مورد توجه مردم قرار گرفته و درک اینکه دیدگاه گروه ها بیش از حد و یا کمتر نشان داده شده است."
تحقیقات نشان می دهد که یادگیری ماشین موانع زبان را در تجارت جهانی کاهش می دهد