Recomendados
Mais conteúdo relacionado
Destaque
Destaque (20)
Semelhante a 社交媒體研究與鉅量資料分析
Semelhante a 社交媒體研究與鉅量資料分析 (20)
社交媒體研究與鉅量資料分析
- 2. 演講架構 • 社交媒體研究 – Social networking sites – Mobile communities • 鉅量資料分析 – What is big data? – Computational turn 2
- 3. Social media and big data 3
- 4. What is social media? • 泛指基於網際網路架構，促進 社會互動的媒介，如 Facebook、Twitter、Plurk， 做為公眾集體連繫與交換訊息 的平台，又稱社交網絡服務 （Social Networking Service， 簡稱SNS）； • Flickr、Youtube等相片、影 音分享軟體，及wiki, tag等多 人共筆、彙整群眾智慧的軟體 或技術也算在內。 • http://en.wikipedia.org/wiki/Soci al_media 2015/1/26
- 5. What is Big Data? • Google在 2014 年執行數以兆計的搜尋工作。 • 如果一年就像一幅拼圖，這些搜尋字詞會拼湊出 什麼景色呢？ • Google - Year in Search 2014 • https://www.google.com.tw/trends 5
- 7. 社交媒體具有雙重連結 • 人的連結: 1) 從線下社群到線上社群: 如:Facebook 2) 延伸連結: 如:朋友的朋友 3) 平台推薦連結: 使用者可能感興趣的人 4) 追蹤名人連結 • 平台(技術)的連結: 1) 與其他平台連結: 如:Youtube, Flickr 2) 與內容網站連結: 如:新聞網站 3) 與其他應用程式連結: 如: 遊戲 4) 其他網絡與SNS平台連結: 如: 使用FB帳號登入、直 接分享到FB 2015/1/26
- 8. 連結促進了分享與交換 在社交媒體中，人們分享那些東西? 文字、照片、影音內容、資訊、商品 對話、情感、意義、協力工作、社群感、認同 在社交媒體中，平台之間交換那些東西? Data: Texts, photos, videos, URLs, interactions, Metadata: user logs, transitional data, access info – 社交媒體的技術型式鼓勵分享，「分享」的意識形 態構成了社交媒體的標準生態模式。 8
- 9. Twitter大事記 Twitter 7年來的界面設計之改變 2006 Twitter誕生 2007 使用者自創#hashtag, RT 2009 飛機迫降哈德遜河，目擊者用Twitter轉播現場狀況 2009 歐普拉等名人跟著使用Twitter 2011 阿拉伯之春—推翻埃及穆巴拉克政權 2011 日本311地震海嘯 2012 倫敦奧運官方用Twitter直播賽事 2012 歐巴馬連任美國總統(史上最多Retweet) 2014 奧斯卡主持人艾倫與明星自拍(史上最快達百萬RT) https://2014.twitter.com/perspectives
- 10. Facebook 2014 回顧 德國奪下冠軍的世界盃 伊波拉病毒（Ebola virus outbreak） 巴西大選 Robin Williams（於 2014 年 8 月 11 日逝世） 冰桶挑戰 Ice Bucket Challenge 加薩戰爭（Conflict in Gaza） 馬航事件（MH17 以及 MH37 ） Super Bowl Michael Brown/Ferguson Sochi Winter Olympics • http://yearinreview.fb.com/ 10
- 11. 社交媒體匯集了群體力量 • 社群新聞( social journalism): 透過群眾外包由公民提供各種新聞線索，不斷改寫新聞 的內涵。 Guardian open journalism • 災難事件的集體協作: 災難地圖、尋人網站 • 群眾查證與流言過濾: 倫敦暴動、真假災難照片 • 社交媒體與社會抗爭: 阿拉伯之春、太陽花學運 • Twitter go CRAZY during Brazil v Germany 2014
- 12. Methodology for social media 12
- 13. 社交媒體研究的主要取徑 • 研究使用者的數位行為 (以個體人為單位) – 問卷調查 (如: Pew research) – 質化研究 (針對兒童、青少年的影響) • 研究用戶的數位足跡 (data/metadata) – 分析User logs 找出使用者行為模式 – 結合non-human data (設備、地點等相關資料) 13
- 14. Digital footprints • 使用者的數位足跡愈來愈多: 貼文、按讚、瀏覽影 音、打卡(地理位置)、加為好友(社會網絡)。 • 人文社會研究開始引進鉅量資料(big data)的分析 概念 • 傳統社會科學與資料科學研究有不同的方法論預 設，二者結合會帶來那些契機與挑戰？
- 15. 從數位足跡找出真實使用者 • 使用者數位足跡的碎片化 • 網路用戶不等於現實世界的完整個體人 – 一個人可以有多重帳號 – 一個帳號由多人共用 – 機構帳號、機器人帳號 Q: 研究者該如何從碎裂的使用者足跡資料中， 勾勒出真實使用者的傳播活動樣貌?
- 16. 數位資料收集與分析 資料收集 資料清洗 資料儲存 資料分析 16
- 17. Computational turn • Big data: – 大數據、海量數據、鉅量資料 – 大量 (Volume) : 盡可能完整的資料 – 龐雜(Variety) : 非結構化資料 – 快速(Velocity) :即時資料 – 不確定性 (Veracity) :雜訊多 • Computational turn (Berry, 2011) 鉅量資料重新形塑了知識建構與研究流程，及人們處理 資訊與分類方式，促使人文及社會科學研究也產生「向 運算轉」 17
- 18. 社交媒體鉅量資料研究與傳統社會科學「量 化」研究之差異 – 多數人「表層資料」v.s. 少數人「深度資料」 – 介於二者中間的，則是統計學與抽樣的概念。 – 問卷難以反映使用者填答實際媒體使用細節， 如: 一天看了幾次手機 Manovinch, 2011
- 19. 社會科學常態分佈曲線的預設 • 傳播社會科學之統計分析單位:個體人 – 常態分佈曲線:平均值+1.96 – 大數法則: 母體/樣本 – 尋找「均值人」
- 21. 網際網路世界的分佈特徵 21 冪律分佈（power-law distribution） 絕大多數的低連結度節點與少數的高連結度超級節點（hub） 如: 長尾理論、80-20%法則、1-9-90法則
- 22. 連結的數量 節 點 的 數 量 多數節點只 有少許連結 少數節點具 有大量連結 冪律分佈 (Power Law Distribution) 你、我等 消費者 名人 生產者 代表人物 改自Barabási（2002:71）無尺度網絡（scale-free networks），轉引自Hartley, 2012: 188 社交媒體的使用者分佈
- 23. 尋找社交媒體中的「離散人」 • 「離散人」難以用隨機抽樣的方式找出，因為可 能會抽到大量不活躍或難以掌握的使用者。 • 透過社會網絡分析(social network analysis)，找 出整體網絡中具有高連結度的使用者 • 透過使用者記錄分析(user log analysis)，找出智 慧型手機中不同類型使用行為（拍照、社交、遊 戲）的重度使用者(power users)
- 24. 24 社會網絡分析尋找 高連結度使用者 不同語言社群的社會網絡 關係 • TW 與 CN社會網絡的 主要節點:網路社群的 意見領袖 • JA網絡的主要節點: 新 聞記者與新聞機構 • 相較於JA獨立於整體 網絡之外,TW與 CN雖 可辦識為不同網絡， 但彼此仍有密切互動 關係 Tool: Gephi Source: RT & @reply tweets （鄭宇君、陳百齡，2014）
- 25. 從數位足跡探討傳播活動之困難與限制 研究者難以進用或取得傳輸資料，多半只有 Google, Facebook等公司擁有 使用者的隱私與研究倫理問題 沒有留下數位足跡的使用者行為資料無法取得， 包括心理、社會、情感層面等面向的傳播活動， 必須結合深度訪談、參與觀察等質化資料，才能 詮釋傳播活動對人的意義 資料科學家與人文社會學者的資料分析落差
- 26. 鉅量資料的迷思 • Data 數量愈大愈好? – 過於龐大的資料，增加資料篩選的難度 – 最好是開始就能精確設計資料收集方式 • 有了鉅量資料分析，還需不需要理論? – 理論可協助研究者進行有效研究設計 – 不是所有的問題，都適合用鉅量資料分析回答 • 母體/樣本的關係 – 抽樣是否適當，取決研究設計與問題的契合度 – 如: 選擇Twitter, Youtube, Facebook,微博
- 27. 社交媒體資料分析的應用 – 政治參與 – 天然與人為的災難傳播，甚至提早告知地震 – 與傳統媒體的互動 – 品牌傳播，特別是危機偵測 – Social TV :線上影音流量與社群討論分析 27
- 29. Network analysis on Twitter 29 2014 年以巴Gaza衝突時，支持以色列與巴勒斯坦的陣營如何各自跟自己支持者對話 Messages passed along in one side of the graph will never reach the other.
- 30. Selfiecity 照片的鉅量資料分析 • http://selfiecity.net/#intro (Manovich, 2014 ) • Instgram：比較不同城市人們 的自拍像，共約12萬張照片 • BANGKOK, BERLIN, MOSCOW, NEW YORK, • SAO PAULO 30 研究發現: 真正自拍照片的比例比想像中少，只佔4%， 女性自拍比男性多，特別是莫斯科，女性自拍是男性的4.6倍， 曼谷、聖保羅城市的自拍照，微笑比例高於其他城市，莫斯科微笑比例最低。
- 32. Q&A 32
Notas do Editor
- RT或 @reply，建立為發文者與對話者具有一筆關係(edge)，如：發文者user1發送推文「@user2 馬英九勝選」，這樣user1- user2就建立為一筆關係，或是user3看到上述推文加以轉發(Retweet)，則結果是user3: 「RT@user1@user2馬英九勝選」，則「user3-user1-user2」又算是一筆關係，以此類推。 研究者在所有的2.8萬筆tweets中，篩選出RT或@reply類型的推文，總共有 5655 個 Node，以 Edge 數 5 以上過濾 Node 後，還有 783 個 Node（13.85%），所繪出的網絡分析圖。 Gephi繪圖原則：節點大小是根據betweenness centrality（同時計算接收、回應、metion次數），節點越大betweenness centrality越高，也代表該節點扮演中心連結或資訊中介者的角色，節點的顏色深淺是根據indegree 與outdegree（收到與發出@reply數量）愈多，則顏色愈深。
- 2014以巴衝突時，支持以色列與巴勒斯坦方的陣營如何各自跟自己支持者對話，包括不同新聞媒體的新聞立場或被分享的方式。http://globalvoicesonline.org/2014/08/04/israel-gaza-war-data-the-art-of-personalizing-propaganda/
- 團隊收集了Instagram上全球五個城市各約2-3萬張照片，共約12萬張照片，透過機器人臉辨識及人工方式判斷自拍者的性別、年齡、心情、姿勢等。