Опыт анализа социального самочувствия горожан: соотнесение характеристик городской инфраструктуры здоровья и тональности текстов из социальных сетей (на примере Санкт-Петербурга)

В статье описаны результаты исследования социального настроения горожан на основе текстовых данных из социальной сети ВКонтакте. Объект исследования – город Санкт-Петербург. Предлагаемый метод предполагает сопоставление тональности дискуссий пользователей социальных медиа с количественными данными, описывающими инфраструктуру города. Такое сопоставление возможно благодаря тому, что текстовые данные могут быть привязаны к району. Целью исследования было проанализировать возможности предлагаемого подхода, поэтому в качестве количественных данных взяты датасеты, описывающие инфраструктуру города по маркеру «поддержание здоровья»: количество поликлиник, больниц, площадок для занятия спортом. В статье описываются подходы к анализу тональности специфических текстовых данных (приводятся метрики качества используемых моделей), обосновывается актуальность связывания подобного рода данных с количественными показателями (статистиками, участвующими традиционно в методиках оценки благополучия городской среды). В работе продемонстрированы итоговые прикладные результаты: данные исследования нанесены на карту города.

1. Duarte F., Firmino R. J. Unplugging the city: The urban phenomenon and its sociotechnical controversies. 2017.

2. Ekman P., Revealed E. Recognizing faces and feelings to improve communication and emotional life // Emotions revealed. 2007.

3. Fang C., Yu D. Urban agglomeration: An evolving concept of an emerging phenomenon // Landscape and urban planning. 2017. Vol. 162. P. 126–136.

4. Gibson D. V., Kozmetsky G., Smilor R. W. (ed.). The technopolis phenomenon: Smart cities, fast systems, global networks. 1992.

5. Almusaed A., Almssad A. City phenomenon between urban structure and composition // Sustainability in Urban Planning and Design. 2019. Vol. 3.

6. Koltsova O. Yu., Alexeeva S. V., Kolcov S. N. An Opinion Word Lexicon and a Training Dataset for Russian Sentiment Analysis of Social Media // Computational Linguistics and Intellectual Technologies: Papers from the Annual International Conference “Dialogue-2016”. 2016. Vol. 15(22). P. 277–287.

7. Pilato G., D’Avanzo E. Data-driven social mood analysis through the conceptualization of emotional fingerprints // Procedia computer science. 2018. Vol. 123. P. 360–365.

8. Riazi S. A. H. City as an Interdisciplinary Phenomenon // Interdisciplinary Studies in Humanities. 2014. Vol. 6, №. 1. С. 101–115.

9. Rykov Y., Koltsova O., Sinyavskaya Y. Effects of user behaviors on accumulation of social capital in an online social network // Plos one. 2020. Vol. 15. №. 4. P. e0231837. URL: https://doi.org/10.1371/journal.pone.0231837

10. Turón A. Evolution of social mood in Spain throughout the COVID-19 vaccination process: a machine learning approach to tweets analysis // Public health. 2023. Vol. 215. P. 83–90.

11. Tikhonova O., Yakimuk I., Mityagin S. A. Detection the Relevance of Urban Functions for ValueBased Smart City Management // International Conference on Digital Transformation and Global Society. Cham: Springer International Publishing, 2021. P. 193–206.

12. Montgomery J. Making a city: Urbanity, vitality and urban design // Journal of urban design. 1998. Vol. 3, № 1. С. 93–116.

13. Milgram S. The experience of living in cities: A psychological analysis // Annual Meeting of the American Psychological Association., Sep, 1969, Washington, DC, US; This paper is based on an Invited Address presented to the Division of General Psychology at the aforementioned meeting. American Psychological Association. 1970.

14. Blass T. The urban psychology of Stanley Milgram // Journal of Social Distress and the Homeless. 2005. Vol. 14, № 1–2. P. 12–22.

15. Simmel G. The metropolis and mental life // The urban sociology reader. 1903. P. 23–31.

16. Borden I. Space beyond: Spatiality and the city in the writings of Georg Simmel // The Journal of Architecture. 1997. Vol. 2, № 4. P. 313–335.

17. Парк Р. Город как социальная лаборатория // Социологическое обозрение. 2002. Vol. 2, № 3. P. 3–12.

18. Берджесс Э. Рост города: введение в исследовательский проект // Личность. Культура. Общество. 2002. Т. 4. №. 1–2. С. 168–181.

19. Ядов В. А. Социальные и социально-психологические механизмы формирования социальной идентичности личности // Мир России. Социология. Этнология. 1995. Т. 4, № 3–4. С. 158– 181.

20. Поршнев Б. Ф. Социальная психология и история. М., 1966.

21. Бергер П., Лукман Т. Социальное конструирование реальности. М., 1995.

22. Бурдье П. Экономическая антропология. Курс лекций в Коллеж де Франс (1992–1993). М., 2019.

23. Бурдье П. Социология политики. М., 1993.

24. Гидденс Э. Устроение общества. Очерк теории структурации. М., 2005.

25. Keynes J. M. et al. The Collected Writings of John Maynard Keynes. London: Macmillan. 1971. Vol. 30. P. 1971–1989.

26. Wu L., Zhang Q., Chen C.-H., Guo K., Wang D. Deep learning techniques for community detection in social networks. IEEE Access. 2020. Vol. 8. P. 96016–96026. DOI: 10.1109/ACCESS.2020.2996001

27. Tan Q., Liu N., Hu X. Deep representation learning for social network analysis. Front. Big Data. 2019. DOI: 10.3389/fdata.2019.00002

28. Ramadhani A. M., Goo H. S. Twitter sentiment analysis using deep learning methods; Proceedings of the 2017 7th International Annual Engineering Seminar (InAES); Yogyakarta, Indonesia, 2017. P. 1–4.

29. Song X., Tseng B. L., Lin C.-Y., Sun M.-T. Personalized recommendation driven by in-formation flow; Proceedings of the 29th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval; Seattle, WA, USA. 2006. P. 509–516.

30. Tang X., Yang C.C. Ranking user influence in healthcare social media. ACM Trans. Intell. Syst. Technol. (TIST). 2012. Vol. 3. P. 1–21. DOI: 10.1145/2337542.2337558

31. Peng S., Wang G., Xie D. Social influence analysis in social networking big data: Opportunities and challenges. IEEE Netw. 2016. Vol. 31. P. 11–17. DOI: 10.1109/MNET.2016.1500104NM

32. Severyn A., Moschitti A. Twitter sentiment analysis with deep convolutional neural networks; Proceedings of the 38th international ACM SIGIR Conference on Research and Development in Information Retrieval; Santiago, Chile. 2015. P. 959–962.

33. Volkova S., Bachrach Y., Armstrong M., Sharma V. Inferring latent user properties from texts published in social media // Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence (Austin, TX: Association for the Advancement of Artificial Intelligence). 2015. P. 4296–4297.

34. Hao B., Li L., Gao R., Li A., Zhu T. Sensing subjective well-being from social media // Active Media Technology, eds D. Ślȩzak, G. Schaefer, S. T. Vuong, and Y. Kim (Cham: Springer). 2014. P. 324–335. DOI: 10.1007/978-3-319-09912-5_27

35. Li S., Wang Y., Xue J., Zhao N., Zhu T. The impact of COVID-19 epidemic declaration on psychological consequences: a study on active Weibo users // Int. J. Environ. Res. Public Health. 2020. Vol. 17. Art. 2032. DOI: 10.3390/ijerph17062032

36. Ненько А. Е. Социологические методы изучения общественных пространств. СПб.: Университет ИТМОб 2020.

37. Ненько А. Е., Недосека Е. В. Ценности городской среды в дискурсе соседских онлайн-сообществ // Журнал социологии и социальной антропологии. 2022. Т. 25, № 1. С. 217–251.

38. Ненько А. Е., Недосека Е. В., Галактионова А. А. Возможности семантического анализа ключевых биграмм для исследования дискурса соседского онлайн-сообщества // International Journal of Open Information Technologies. 2021. Т. 9, № 12. С. 111–118.

39. Ненько А. Е., Курилова М. А., Подкорытова М. И. Анализ эмоционального восприятия территорий и развитие «Умного города» // International Journal of Open Information Technologies. 2020. Т. 8, № 11. С. 128–136.

40. Вавилина Н. Д., Скалабан И. А. Социальное картирование: метод исследования и инструмент развития территории. М., 2015.

41. Lynch K. Reconsidering the image of the city. 1984. P. 151–161.

42. Горелова Ю. Образ города в восприятии горожан. М., 2020.

43. Барбаш Н. Б., Крючков Ю. А. Социальное картографирование как способ пространственной организации данных о социально-территориальной дифференциации состава и качества жизни населения // Прогнозное социальное проектирование: теоретико-методологические и методические проблемы. М.: Наука. 1994. С. 115–129.

44. Колмогорова, А. В., Калинин А. А. Визуализация данных в эмоциональном анализе русскоязычных интернет-текстов на основе модели «Куб Лёвхейма» // Язык и искусственный интеллект: Сб. ст. по итогам конференции «Лингвистический форум 2020.–2023». С. 167– 181. DOI 10.37892/978-5-907498-47-1-8