如何利用GIS分析人们的情绪与态度

地矿科技助理

英文原文来源：www.gislounge.com

中文编译整理：慧天地国际站一鸣，版权归原作者及刊载媒体所有。

在自然语言处理（NLP）中，情感分析是一种评估人们对外界事物感知的分析形式，是对他们所看到的事物或图像的感知的测量，甚至可以分析出人们如何对周围发生的事件做出反应。然而，目前的问题是，这种分析很少与地理信息系统（GIS）或空间分析一起探索研究。现在这种情况正在发生转变，GIS逐渐在为人类的情感分析提供额外信息。

这其中的一种方法是在社交媒体（如Twitter）中使用空间数据，并应用传统的情绪分析方法，对情绪中消极或积极的词汇进行量化。利用空间回归和自相关等方法研究特定地点或空间如何影响人们的心理健康。这是一项空间数据和情感分析相结合的研究，该研究调查了空间与Twitter用户心理健康之间的关系。研究发现，社会经济因素可能会导致更多的Twitter用户抑郁[1]。

空间分析与情感分析结合的案例

空间分析结合情感分析对于衡量人们的生活体验感有着潜在的重要性。例如，在最近一项关于公园如何影响人们情绪的研究中，来自Twitter的数据显示，人们通常在距离公园活动中心3-4公里的范围内发布博文，公园在很大程度上为人类创造了更积极的情绪和态度。研究人员表明，在人们居住的地方附近建造绿地和公园，对人类的心理健康有明显益处，在很大程度上创造了积极的生活氛围[2]。

下图展示了从用户的“重心”(CENTER OF MASS)到公园的平均距离(即用户的主要活动中心到公园的距离)。根据相关公园发布的博文数，按级别进行聚合，生成地图。

[url=]
[/url]
[url=]
[/url]

（地图来源: KOVACS-GYÖRI等，2018年）

利用GIS跟踪情绪随时间的变化

该研究还将时间尺度上的分析应用于空间环境中的情绪变化。例如，从马萨诸塞州的时间、空间和情绪之间的关系来看，人们往往在中午或周末的晚上，对公共和商业空间有更积极的态度。无论是在城市还是乡村中，社会交往、休闲和购物等活动似乎为人们创造了最积极的情感[3]。

财富差距会影响邻里的感情吗？

有人可能会认为，在富裕地区，人们的情绪会更为积极。虽然有时的确是这样，但另一个研究表明，现实并不总是如此。事实上，研究人员使用了更客观的社会经济数据，并将其与人们对纽约特定社区的看法进行了比较，发现了一些差异。尽管人们对富裕地区的看法往往更为积极，但并不会对那些有着人文情怀和社会活动等其它好处却不太富裕的地区，持不积极的看法。人们对其他社会因素也是十分看重的，财富只是评价的一部分[4]。

服务商空间邻近度对于客户情绪的影响

除了心理健康方面的研究，对于公司来说，情绪分析可能对于他们了解客户更为重要。社交媒体分析也表明，城市服务提供者用不同的方式应对负面事件对客户和人民的所造成的危害，会影响人们对于该事件的感知。空间邻近性是一个重要的指标，最临近的服务受到影响最大。响应速度和提供者如何有效地响应事件，这些方面都能影响人们对于服务供应商的态度[5]。

结语

这些结果表明，社交媒体数据越来越多地被用于情绪分析，在社交媒体数据中可以提取与这项研究相关的空间数据。但是将这类研究扩展到其他形式的空间或媒介目前可能还不能实现，因为空间数据很难在更一般的文本(如在线报纸或PDF文章)中提取到。然而，扩展和使用其他NLP方法，例如基于描述确定位置的分析，可能是其他NLP方法与GIS和空间分析相结合的另一种方式，这些创新的方式和数据或许在今后能够帮助科研人员更好地评估人类的情绪。

参考文献：

[1] Formore on using Twitter and spatial data within GIS and sentiment analysisapproaches, see: Yang, W., & Mu, L.(2015). GIS analysis of depression among Twitter users. Applied Geography, 60,217–223.https://doi.org/10.1016/j.apgeog.2014.10.016.

[2] Formore on how parks affect mental perceptions of those experiencing them, see:Kovacs-Györi, A., Ristea, A., Kolcsar, R., Resch, B., Crivellari, A., &Blaschke, T. (2018). Beyond Spatial Proximity—Classifying Parks and TheirVisitors in London Based on Spatiotemporal and Sentiment Analysis of TwitterData. ISPRS International Journal of Geo-Information, 7(9), 378.https://doi.org/10.3390/ijgi7090378.

[3] Formore on the study in Massachusetts on sentiment over time and space, see: Cao, X., MacNaughton, P., Deng, Z., Yin, J.,Zhang, X., & Allen, J. (2018). Using Twitter to Better Understand theSpatiotemporal Patterns of Public Sentiment: A Case Study in Massachusetts,USA. International Journal of Environmental Research and Public Health, 15(2),250. https://doi.org/10.3390/ijerph15020250.

[4]Formore on sentiment and the relationship between objective data and subjectivesentiment, see: Hu, Y., Deng, C., &Zhou, Z. (2019). A Semantic and Sentiment Analysis on Online NeighborhoodReviews for Understanding the Perceptions of People toward Their Living Environments.Annals of the American Association of Geographers, 1–21.https://doi.org/10.1080/24694452.2018.1535886.

[5] For more on service provision and sentiment from a case study inChina, see: Su, L., Stepchenkova, S.,& Kirilenko, A. P. (2019). Online public response to a service failureincident: Implications for crisis communications. Tourism Management, 73, 1–12.

https://doi.org/10.1016/j.tourman.2019.01.011.