• Menu
  • Passa alla navigazione primaria
  • Skip to secondary navigation
  • Passa al contenuto principale
  • Passa alla barra laterale primaria
  • Passa al piè di pagina

logo header oikos engineering

  • Home
  • Chi siamo
  • Blog
  • Soluzioni
    • Comuni e Unioni
    • Multiservizi
    • Patrimoni Immobiliari
    • Sanità
    • Industria e Impianti
    • Consorzi Forestali
    • Consorzi Irrigui
    • Consorzi di Tutela
  • Servizi
    • Cartografia Numerica
    • Integrazione Dati
    • Rilievi e Censimenti
    • Cloud Computing
    • Strumentazione GPS e GIS
  • Affiliazione
  • Contatti
  • Teleassistenza
  • Privacy
  • Privacy
  • Glossario
  • Autovalutazione per il Cloud della PA
  • Documentazione tecnica
  • Reversibilità dei servizi SaaS
  • Qualificazione SAAS rilasciata da AGID
  • Home
  • Chi siamo
  • Blog
  • Soluzioni
    • Comuni e Unioni
    • Multiservizi
    • Patrimoni Immobiliari
    • Sanità
    • Industria e Impianti
    • Consorzi Forestali
    • Consorzi Irrigui
    • Consorzi di Tutela
  • Servizi
    • Cartografia Numerica
    • Integrazione Dati
    • Rilievi e Censimenti
    • Cloud Computing
    • Strumentazione GPS e GIS
  • Affiliazione
  • Contatti
  • Teleassistenza
  • Privacy
twitter

Twitter come nuova fonte di dati GIS: metodi e potenzialità

Home » Blog » Twitter come nuova fonte di dati GIS: metodi e potenzialità

26 Novembre 2020 //  by Oikos Engineering//  Lascia un commento

Twitter è la piattaforma social che nel corso degli anni ha dimostrato di poter essere un veicolo privilegiato dell’opinione pubblica e del sentiment più diffuso in merito a un numero enorme di argomenti.

La brevità dei tweet e la rapidità con cui gli utenti sono in grado di crearli fanno sì che Twitter possa essere considerato una fotografia in tempo reale di ciò che il mondo pensa, fa, condivide.

Per tutta questa serie di motivi i ricercatori hanno individuato in Twitter una fonte preziosissima e inesauribile di dati GIS, ovvero di dati che, se adeguatamente scremati e organizzati secondo parametri geospaziali, possono fornire un’enorme serie di informazioni su eventi di interesse generale.

Per fare un esempio dolorosamente attuale, è emerso che grazie a Twitter sia possibile monitorare e addirittura prevedere lo sviluppo di focolai influenzali in determinate aree geografiche, con un’ottima approssimazione.

Naturalmente le problematiche che è stato necessario individuare, affrontare e risolvere sono state diverse, ma i risultati ottenuti dai ricercatori statunitensi tra il 2013 e il 2014 hanno aperto prospettive interessanti e lasciano immaginare la possibilità di applicare la stessa metodologia ad altre aree di indagine.

L’esperienza statunitense tra il 2013 e il 2014: il metodo

Tra il 2013 e il 2014 un gruppo di scienziati statunitensi ha deciso di utilizzare Twitter come fonte di data mining per monitorare in tempo reale la diffusione di focolai di influenza nelle aree di 31 tra le maggiori città degli Stati Uniti.

Secondo i ricercatori Twitter avrebbe fornito alla sanità pubblica uno strumento di sorveglianza per la diffusione dell’influenza migliore di quelli che erano stati utilizzati fino a quel momento, e che si basavano essenzialmente su segnalazioni dirette da parte dei cittadini (spesso molto irregolari o addirittura dalla frequenza del tutto casuale) oppure su sistemi di raccolta dati estremamente costosi, soprattutto per l’utilità dei dati che permettevano di acquisire.

I ricercatori hanno messo a punto un sistema di raccolta, analisi e organizzazione dei Tweet generati dagli utenti della piattaforma che sfrutta metodi tipici del  GIS come filtraggio spaziale, normalizzazione della popolazione e analisi multi scala.

Inoltre, al fine di riuscire a dividere efficacemente i dati pertinenti da quelli non pertinenti, i ricercatori hanno sfruttato le enormi potenzialità dell’apprendimento automatico. Software sempre più sofisticati hanno progressivamente imparato a distinguere sempre meglio i tweet che parlavano di effettivi casi di influenza dai tweet che facevano riferimento a uno stato influenzale in maniera generica e non pertinente.

Per fare qualche esempio concreto: 

“L’antinfluenzale comincia a fare effetto … È ora di mettermi a dormire” => Rilevante

“Devo superare quest’influenza!” => Rilevante

“Oggi mi faccio il vaccino anti influenzale” => Non rilevante

“Chi prende l’influenza intestinale il giorno prima dell’esame?”  => Non rilevante

Gli ultimi due tweet non potevano essere considerati rilevanti ai fini della ricerca poiché uno di essi si riferiva a un’influenza intestinale, quindi una malattia differente rispetto a quella su cui i ricercatori stavano lavorando, mentre l’altro faceva riferimento a un rimedio preventivo dell’influenza.

I tecnici addetti all’ “addestramento” degli algoritmi di apprendimento automatico inseriscono manualmente questo tipo di informazioni nei sistemi di machine learning, che in breve tempo pervengono a un ottimo livello qualitativo di filtraggio dei dati raccolti attraverso la piattaforma di Twitter.

Un vantaggio estremamente interessante offerto da questa procedura è che, qualora si volessero utilizzare le stesse tecniche GIS per monitorare la diffusione di altre malattie, si dovrebbe soltanto fornire agli algoritmi di apprendimento un “addestramento” differente per renderli egualmente efficaci su un qualsiasi altro campo di analisi.

I dati selezionati attraverso la scrematura così effettuata sono stati aggregati su base cittadina e regionale attraverso sistemi di visualizzazione tipiche del GIS.

Risultati effettivi delle procedure GIS applicate ai dati Twitter

I risultati ottenuti dai ricercatori statunitensi hanno dimostrato che il metodo GIS – Twitter offre ai ricercatori ma soprattutto alle autorità una serie di grandi vantaggi rispetto alla raccolta e all’analisi tradizionale dei dati. 

Innanzitutto è stato necessario correlare i risultati ottenuti attraverso l’analisi dei dati Twitter con i dati ILI, cioè relativi alla Sorveglianza Epidemiologica dell’Influenza effettuata con metodi tradizionali.

Anche se in determinati casi ci sono state forti discrepanze tra i dati raccolti attraverso i due diversi approcci metodologici, in linea generale si è dimostrato che i dati fossero per lo più in armonia, ottenendo risultati eccellenti su base regionale.

Le differenze che comunque vennero rilevate furono attribuite o a un’inaffidabilità dei dati ILI in una determinata area oppure alla necessità di affinare il metodo di selezione dati da parte dei ricercatori.Una discrepanza evidente si verificò nelle aree a scarsa urbanizzazione, dal momento che i dati Twitter erano stati selezionati a partire dai Tweet condivisi da cittadini residenti nelle grandi città. Non vi erano quindi dati affidabili relativi alle zone rurali o a più scarsa densità abitativa e i ricercatori si aspettavano questo tipo di risultato.

Condividi:

Categoria: NewsTag: AI, GIS, Machine Learning, Social Media

Post precedente: «natura incontaminata Ecologia e GIS: i droni salveranno il mondo
Post successivo: Le potenzialità dei GIS nella gestione delle emergenze energetiche traliccio energia elettrica»

Barra laterale primaria

Ricerca sul Sito

Articoli Recenti

  • Oikos e Terres Monviso Outdoor festival
  • Presentazione APP Altalanga
  • PNRR e Gestione del Patrimonio
  • PNRR e Comunicazione Istituzionale Web e Open Data
  • Realizzazioni Oikos

Tag Cloud

AI App ArcGIS Augmented Reality Big Data BIM Cambiamento Climatico Cybersecurity Dati Demografici Droni Ecologia Energie Alternative Esri FOSS Geodatabase GeoMarketing Geoportale gestione dei processi GIS GNSS GPS Grass Healtcare Incontri Intelligence IoT Italia LiDAR Machine Learning OpenStreetMap Paesaggio Urbano Piemonte Protezione Civile QGIS SAPR Security Sicurezza sinfi SIT Smart-City Telerilevamento Turismo Videosorveglianza WebGIS workflow

Archivi

  • Marzo 2023
  • Giugno 2022
  • Maggio 2022
  • Marzo 2022
  • Febbraio 2022
  • Luglio 2021
  • Maggio 2021
  • Aprile 2021
  • Marzo 2021
  • Febbraio 2021
  • Gennaio 2021
  • Dicembre 2020
  • Novembre 2020
  • Ottobre 2020
  • Settembre 2020
  • Agosto 2020
  • Luglio 2020
  • Giugno 2020
  • Maggio 2020
  • Aprile 2020
  • Marzo 2020
  • Febbraio 2020
  • Gennaio 2020
  • Dicembre 2019
  • Novembre 2019
  • Ottobre 2019
  • Settembre 2019
  • Agosto 2019
  • Luglio 2019
  • Giugno 2019
  • Maggio 2019
  • Aprile 2019
  • Marzo 2019
  • Febbraio 2019
  • Gennaio 2019
  • Dicembre 2018
  • Novembre 2018
  • Ottobre 2018
  • Settembre 2018
  • Agosto 2018
  • Luglio 2018
  • Giugno 2018
  • Maggio 2018
  • Aprile 2018
  • Marzo 2018
  • Febbraio 2018
  • Maggio 2017
  • Marzo 2017
  • Ottobre 2016
  • Settembre 2016
  • Agosto 2016

Footer

Contatti

Indirizzo
Via Duccio Galimberti, 7
12051 - Alba (CN)

Telefono
+39.0173.440242

Email
[email protected]

P.IVA: 02762210041

Copyright

I contenuti presenti sul sito oikosweb.com, dei quali Oikos Engineering S.r.l. è autore, non possono essere copiati, riprodotti, pubblicati o redistribuiti perché appartenenti all’autore stesso. È vietata la copia e la riproduzione dei contenuti in qualsiasi modo o forma. È vietata la pubblicazione e la redistribuzione dei contenuti non autorizzata espressamente dall’autore.

Disclaimer

Questo blog non rappresenta una testata giornalistica in quanto viene aggiornato senza alcuna periodicità. Non può pertanto considerarsi un prodotto editoriale ai sensi della legge n. 62 del 07/03/2001.

Seguici sui Social

  • Privacy
  • Glossario
  • Autovalutazione per il Cloud della PA
  • Documentazione tecnica
  • Reversibilità dei servizi SaaS
  • Qualificazione SAAS rilasciata da AGID

Copyright © 2023 Oikos Engineering · All Rights Reserved · Webmaster Ing. Flavio Albano