Gizarte-komunikabideen meatzaritza

Wikipedia, Entziklopedia askea
Jump to navigation Jump to search

Gizarte-komunikabideen meatzaritza erabiltzaileek gizarte-komunikabideen guneetan zein aplikazio mugikorren bidez sortutako edukiaren inguruko datu handiak lortzea da, ereduak ateratzeko, erabiltzaileei buruzko ondorioak ateratzeko eta informazioaren gainean jarduteko, sarritan erabiltzaileei publizitatea egiteko edo ikerketak egiteko helburua duelarik. Terminoa mineral arraroen meatzaritza baliabideen erauzketa prozesuaren analogia da. Baliabideen erauzketa-meatzaritzan, meatzaritza enpresek mineral gordin kantitate handiak zeharkatu behar dituzte mineral preziatuak aurkitzeko; Era berean, gizarte-komunikabideen meatzaritzak giza datuen analistak eta software automatizatudun programak behar ditu gizarte-komunikabideen datu gordin kopuru masiboak saihestu eta online dauden jokabideak, edukien partekatzea, gizabanakoen arteko loturak, internet bidezko erosketetan erakutsiriko portaera, etab. bezalako gizarte-komunikazioaren erabilerarekin lotutako joerak eta ereduak bereizteko. Eredu eta joera hauek enpresa, gobernu eta irabazi asmorik gabeko erakundeentzako interesgarriak dira, erakundeek beren estrategiak diseinatzeko edo programak, produktu berriak, prozesuak edo zerbitzuak aurkezteko eredu eta joera hauek erabili ahal dituztelako.

Gizarte-komunikabideen meatzaritzak, giza hedabideek osatzen duten mundu birtuala modu konputazionalean irudikatzen du eta informatikaren , datuen meatzaritzaren , ikasketa automatikoaren eta estatistiken oinarrizko kontzeptuak erabiltzen ditu. Gizarte-komunikabideen meatzariak sare sozialen datu masiboak ikertzen dituzten algoritmoak garatzen dituzte. Gizarte-komunikabideen meatzaritza sare sozialen analisiaren , sareen zientzien , soziologiaren, etnografiaren , optimizazioaren eta matematikaren teoria eta metodologietan oinarritzen da. Sare sozialen eskala handiko datuetatik eredu formalak irudikatu, neurtu eta modelatzeko erremintak biltzen ditu. [1] 2010eko hamarkadaren hasieran, korporazio handiak, gobernuak eta irabazi asmorik gabeko erakundeak gizarte-hedabideen meatzaritza erabiltzen hasi ziren bezero zein herritarrei buruzko datuak lortzeko.

Testuingurua[aldatu | aldatu iturburu kodea]

Kaplan eta Haenlein-ek definitzen duten moduan, [2] sare sozialak "Web 2.0-ren oinarri ideologiko eta teknologikoetan garatzen diren interneten oinarritutako aplikazioen multzoa da eta erabiltzaileek edukia sortzea eta trukatzea ahalbidetzen dute". Gizarte-sare mota ezberdinak daude, besteak beste, sare soziala (Facebook edo LinkedIn), mikroblogintza (Twitter), argazki partekatzea (Flickr, Photobucket edo Picasa), albiste eransketa (Google Reader, StumbleUpon edo Feedburner), bideoak partekatzea (YouTube, MetaCafe), uneko streaming-a (Ustream edo Twitch.tv), mundu birtualak (Kaneva), bideo-joko sozialak (World of Warcraft), bilaketa soziala (Google, Bing edo Ask.com) eta berehalako mezularitza (Whatsapp, Telegram edo Skype).

Erabilerak[aldatu | aldatu iturburu kodea]

Gizarte-komunikabideen meatzaritza hainbat sektoretan erabiltzen da: negozioen garapenean, gizarte zientzien ikerketan, osasun zerbitzuetan eta hezkuntzan, besteak beste. [3] [4] Behin jasotako datuak sare sozialen analisien bidez aztertzen direnean, hainbat eremutan aplikatu daitezke. Sarritan, enpresek sare sozialetan nagusitzen diren konexio ereduak, hala nola asortatibitatea —eragindako erabiltzaileen antzekotasun soziala—, homofilia— bi antzeko pertsonek lagunak bihurtzeko joera—, elkarrekikotasuna edota iragankortasuna erabiltzen dituzte. [5] Indar hauek nodo horien eta beraien arteko konexioen azterketa estatistikoaren bidez neurtzen dira. [3] Analisi sozialak sentimenduen analisia ere erabiltzen du, gizarte-komunikabideek sarritan sentimendu positiboa edo negatiboa bidaltzen dutelako mezuetan. [6] Honek gai zehatzen inguruan erabiltzaileen emozioei buruzko informazio garrantzitsua eskaintzen du. [7]

Adierazitako eredu horiek hainbat erabilera dituzte analisi hutsetik haratago. Adibidez, eragina erabil daiteke sare jakin batean eragin handieneko erabiltzailea zehazteko. [3] Enpresentzat interesgarria izango litzateke informazio hori marketing eragile bezala nor kontratatu jakin ahal izateko. Eragile horiek onarpena, jarduera sortzea eta berritasunaren arabera zehazten dira, ezaugarri hauek gizarte-komunikabideen meatzaritzaren bidez lortutako datuak erabilliz neurtu daitezkeelarik. [3] Horrez gain, homofilia ere neurtzen da. Gainera, erabiltzaileek beste erabiltzaileen iritziei buruzko informazioa erabiltzen dute, gai desberdinak ulertzeko. [6] Aurreko azterketa horiek guztiek pertsona desberdinentzako gomendio pertsonalizatuak sortzen lagundu dezakete. [3] Eragina eta homofilia neurtuz, interneteko zein internet kanpoko enpresek produktu espezifikoak iradokitzen dituzte gizabanakoen kontsumitzaileentzat eta kontsumitzaile taldeentzat. Gizarte-sareen sareek informazio hori bera erabil dezakete beren erabiltzaileei lagun posibleak gehitzeko, jarraitzeko orriak eta kontuak elkarreragiteko.

Gizarte komunikabideen meatzaritzaren beste erabilera garrantzitsuenetako bat, gertatu berri diren hondamendi edo krisientzat gobernuek edota gobernuz kanpoko erakundeek erantzun koordinatu eta eraginkor bat ematea da, sare sozial desberdinetatik informazioa lortuz.[8] Egoera kritiko hauetan, lehentasunak biktimek laguntza jasotzea, egon daitezkeen egitura zein bizi galerak minimizatzea eta errekuperazioa azkartzea dira, eta Twitter, Ushahidi eta Sahana bezalako sareak sozialak erabilgarriak direla erakutsi dute jazotakoaren inguruan informazioa biltzeko gizarte komunikabideen meatzaritza teknika desberdinak erabiliz.[8] Hala ere, erakunde desberdinen arteko koordinazioan laguntzen badu ere, erabaki desberdinak artzeko informazioa eskainiz, ez dago zehazturik mekanismo zehatzik erakunde zein gobernu desberdinen artean koordinazioa eta kolaborazioa aurrera eramateko.[8]

Ikerketa[aldatu | aldatu iturburu kodea]

  • Gertaera sozialen antzematea - Sare sozialak erabiltzaileek elkarrekin libreki komunikatzeko eta euren azken berriak, jarduera iraunkorrak edo gai desberdinei buruzkoak partekatzeko balio du. Ondorioz, egungo gai zein gertaerak ulertzeko informazio iturri potentzialki bideragarria izan daiteke. [9] [10] [11] [12] [13] [14]
  • Osasun publikoaren jarraipena eta zaintza - Gizarte-komunikabideen eskala handiko analisia, paziente talde handiak eta publiko orokorra aztertuz, esate baterako drogenganako erreakzioen hasierako seinaleak lortzeko [15] [16] , edo giza ugalketa eta interes sexuala ulertu [17] .
  • Komunitatearen egitura (Komunitate Detekzioa / Eboluzioa / Ebaluazioa) - Komunitateak identifikatu sare sozialetan, nola eboluzionatzen duten ikusi eta komunitate identifikatuak ebaluatu, sarritan oinarri enpirikorik gabe. [1]
  • Sareen neurriak - Gizarte-komunikabideetan zentralitatea, transitantzia, elkarrekikotasuna, oreka, egoera eta antzekotasuna neurtzea. [1]
  • Sareko ereduak - Ezaugarri espezifikoak dituzten sareak simulatzea. Besteak beste, ausazko grafikoak (ER ereduak), Preferential attachment modelak eta munduko eredu txikiak. [1]
  • Informazioaren ur-jauzia - Gizarte-komunikabideen guneetan informazioa nola hedatzen den aztertzea. Adibideak: artzainen portaera, informazioaren ur-jauziak, berrikuntzen hedapena eta epidemia-ereduak. [1]
  • Eragina y homofilia - Sarearen asortatibitatea neurtzea eta eragina zein homofiliaren neuketa eta modelatzea. [1]
  • Gomendioa gizarte-sareetan - lagunen edo gai desberdinen gomendioa gizarte-komunikabideetan. [1] [18] [19]
  • Bilaketa soziala - Web soziala erabiltzea informazioa bilatzeko . [20]
  • Sentimenduen analisia gizarte sareetan - Kolektiboki informazio subjektiboa identifikatzea, adibidez, mezua positiboa edo negatiboa den, gizarte komunikabideen datuetatik. [21] [22] [23] [24] [17] [16]
  • Spam sozialaren detekzioa: sare sozialetan edo erabiltzaileek sortutako edukiak dituzten webguneetan agertzen diren spam-edukia bidaltzen duten spam bidaltzaileak detektatzen dituzte, askotan beren gizarte-eragina, legitimitatea eta sinesgarritasuna sustatzeko berretsiz. [25] [26] [27] [28]
  • Eginbideen aukeraketa gizarte-komunikabideen datuekin - Eginbideen hautaketa eraldatzeko, gizarte-sareen boterea aprobetxatzeko. [29] [30] [31] [32]
  • Konfiantza gizarte-komunikabideetan - Gizarte komunikabideetan konfiantza kontzeptua ikasi eta ulertu. [33] [34] [35] [36]
  • Desadostasuna eta lotura negatiboak - Gizarte-komunikabideetan lotura negatiboak aztertzea. [37] [38] [39]
  • Gizarte-komunikabideen eginkizuna krisietan - Gizarte-komunikabideek krisi garaian oso paper garrantzitsua izaten dute, bereziki Twitter-ek. [40] Ikerketek erakusten du posible dela lurrikarak [41] eta zurrumurruak [42] krisi garaian idatzitako tuit-ak erabiliz. Lehendabiziko erantzunak hobetzeko tresnak garatzea, krisia hobeto erantzuteko tuit-ak aztertu [43] eta tuit garrantzitsuenei [44] sarbide azkarragoak emateko teknikak garatzeko ikerketa arlo aktiboa da.
  • Kokapenean oinarritutako sare sozialen meatzaritza - Giza Mugikortasunerako Meatzeak pertsonalizatutako POIen gomendioa kokapenean oinarritutako sare sozialetan. [45] [46] [47] [48] [49] [50]
  • Informazioaren jatorria gizarte-komunikabideetan - Jatorriak, informazioa ematen duen iturriei buruzko informazioa ematen dio erabiltzaileari. Gizarte-komunikabideek informazioaren jatorria identifikatzen laguntzen dute ezaugarri bereziengatik: erabiltzaileak sortutako edukia, erabiltzaileen profilak, erabiltzaileen arteko elkarrekintzak eta denboraren edota tokiaren inguruko informazioa. [51] [52]
  • Ahultasunaren kudeaketa - Erabiltzaile batek sare sozialen guneetan duen ahultasuna hiru urrats esanguratsuetan kudeatu ahal izango da: (1) erabiltzailea ahula izan daitekeen modu berriak identifikatzea, (2) erabiltzaileen ahultasunaren kuantifikazioa edo neurketa, eta (3) ahultasun hori murriztea edo arintzea. [53]

Konferentziak[aldatu | aldatu iturburu kodea]

  • KDD Conference - ACM SIGKDD Conference on Knowledge Discovery and Data Mining buruzko hitzaldia
  • WWW Conference - Internacional World Wide Web Conference
  • WSDM Conference - ACM Conference on Web Search eta Data Mining
  • CIKM Conference - ACM Conference on Information and Knowledge Management
  • ICDM Conference - IEEE Nazioarteko Konferentzia Datuen Meatzaritzan
  • Hizkuntzalaritza Konputazionaleko Elkartea (ACL)

Aldizkariak[aldatu | aldatu iturburu kodea]

  • DMKD Conference - Data Mining and Knowledge Discovery aurkikuntzari buruzko ikerketa gaiak
  • ECML-PKDD Conference - European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases
  • EEE Transactions on Knowledge and Data Engineering (TKDE),
  • ACM Transactions on Knowledge Discovery from Data (TKDD)
  • ACM Transactions on Intelligent Systems and Technology (TIST)
  • Social Network Analysis and Mining (SNAM)
  • Knowledge and Information Systems (KAIS)
  • ACM Transactions on the Web (TWEB)
  • World Wide Web Journal
  • Social Networks
  • Internet Mathematics
  • IEEE Intelligent Systems
  • SIGKDD Exploration.

Gizarte-komunikabideen meatzaritza ere badago datu asko kudeatzeko / datu-baseen konferentzietan, esaterako, ICDE Konferentzia, SIGMOD Konferentzia eta International Conference on Very Large Data .

Ikusi ere[aldatu | aldatu iturburu kodea]

metodoak
Aplikazioen domeinuak
Enpresak
  • Nuvi
Lotutako gaiak
  • Komunitate sozialak
  • Profilatzea (informazioaren zientzia)
  • Web scraping

Erreferentziak[aldatu | aldatu iturburu kodea]

  1. a b c d e f g    . Aipuaren errorea: Invalid <ref> tag; name "Zafarani" defined multiple times with different content
  2.   Kaplan, Andreas M.; Haenlein, Michael (2010). "Users of the world, unite! The challenges and opportunities of social media". Business Horizons. 53 (1). .
  3. a b c d e Zafarani, R., Ali Abbasi, M., Liu, H., (2014). Social Media Mining. Cambridge University Press. http://dmml.asu.edu/smm .
  4. Singh, A., (2017). "Unibertsitateko ikasleen Gizarte Kudeaketako datuen meatzeak". Hezkuntza eta Informazioaren Teknologiak , 22: 1515-1526.
  5. Tang, J., Chang, Y., Aggarwal, C., Liu, H., (2016). "Gizarte-komunikabideetan sinatutako sareen meategien inkesta". ACM Computing Surveys , 49: 3.
  6. a b Adedoyin-Olowe, M., Gaber, M., & Stahl, F., (2013). "Gizarte-komunikabideen analisiari buruzko datuen meatzaritzako tekniken inkesta".
  7. Laeeq, F., Nafis, T., & Beg, M. (2017). "Dating Mining erabiliz Sozialen sailkapen sentimentala". International Journal of Advanced Research in Computer Science , 8: 5.
  8. a b c   Gundecha, Pritam; Liu, Huan (2012-10-01) «Mining Social Media: A Brief Introduction» 2012 TutORials in Operations Research (INFORMS): 1–17 doi:10.1287/educ.1120.0105 ISBN 9780984337835 . Noiz kontsultatua: 2019-02-24 .
  9.   doi:10.1142/S2425038416300020 .
  10.   doi:10.1109/ICTSS.2013.6588106 ISBN 978-1-4799-0145-6 .
  11.   "Event Detection in Social Media Data" (PDF). Retrieved 5 May 2017. .
  12.   Cordeiro, Mário; Gama, João (1 January 2016). "Online Social Networks Event Detection: A Survey". Solving Large Scale Learning Tasks. Challenges and Algorithms. Springer International Publishing. pp. 1–41. doi:10.1007/978-3-319-41706-6_1. ISBN 978-3-319-41705-9. .
  13.   doi:10.1007/978-3-319-41706-6_1 ISBN 978-3-319-41705-9 .
  14.   doi:10.1016/j.scitotenv.2018.12.071 ISSN 0048-9697 PMID 30572215 .
  15. RB Correia, L. Li, LM Rocha " Droga-interakzio eta erreakzio potentzialen jarraipena, erabiltzaileen erabiltzaileen denbora-analisi sarearen analisia ". Pazifikoko sinposioa biokonputaketan. , 21 : 492-503. doi: 10.1142 / 9789814749411_0045, 2016
  16. a b Korkontzelos, I., Nikfarjam, A., Shardlow, M., Sarker, A., Ananiadou, S., eta Gonzalez, GH " Sentimenduen analisirako efektuaren analisia tweets eta forum posts-en erreakzio kaltegarriak ateratzeko ". Informatikako biomedikoko aldizkaria. , 62 : 148-158. doi: 10.1016 / j.jbi.2016.06.007, 2016
  17. a b IB Wood, PL Varela, J. Bollen, LM Rocha, J. Gonçalves-Sá " Giza sexu-zikloak Kultura eta Moods kolektiboak bultzatzen dituzte ". Txosten zientifikoak. , 7 : 17973. doi: 10.1038 / s41598-017-18262-5, 2017
  18.   Tang, Jiliang; Hu, Xia; Liu, Huan (2013). "Social Recommendation: A Review" (PDF). Social Network Analysis and Mining. .
  19.   Horowitz, Damon; Kamvar, Sepandar (2013). "The Anatomy of a Large-Scale Social Search Engine" (PDF). In Proceedings of the 19th International Conference on World Wide Web, Pp. 431-440. ACM, 2010. .
  20.   Hu, Xia; Tang, Lei; Tang, Jiliang; Liu, Huan (2013). "Exploiting Social Relations for Sentiment Analysis in Microblogging" (PDF). In Proceedings of the 6th ACM International Conference on Web Search and Data Mining. .
  21.   Hu, Xia; Tang, Jiliang; Gao, Huiji; Liu, Huan (2013). "Unsupervised Sentiment Analysis with Emotional Signals" (PDF). In Proceedings of the 22nd International World Wide Web Conference. .
  22.   Ali, K; Dong, H; Bouguettaya, A (2017). "Sentiment Analysis as a Service: A social media based sentiment analysis framework". The 24th IEEE International Conference on Web Services (IEEE ICWS 2017): 660–667. .
  23.   Shahheidari, S; Dong, H; Daud, R (2013). "Twitter sentiment mining: A multi domain analysis". 2013 Seventh International Conference on Complex, Intelligent, and Software Intensive Systems (CISIS 2013): 144–149. .
  24.   Hu, Xia; Tang, Jiliang; Zhang, Yanchao; Liu, Huan (2013). "Social Spammer Detection in Microblogging" (PDF). In Proceedings of the 23rd International Joint Conference on Artificial Intelligence. .
  25.    .
  26.    .
  27.    .
  28.    .
  29.    .
  30.    .
  31.    .
  32.    .
  33.    .
  34.    .
  35.    .
  36.    .
  37.    .
  38.    .
  39.   Bibcode2014arXiv1412.2723T .
  40.    .
  41.    .
  42.    .
  43.    .
  44.    .
  45.    .
  46.    .
  47.    .
  48.    .
  49.    .
  50.    .
  51.   doi:10.2200/S00496ED1V01Y201304DMK007 .
  52.    .
  53.    .


Kanpo loturak[aldatu | aldatu iturburu kodea]

  • Zafarani, Reza; Abbasi, Mohammad Ali; eta Liu, Huan (2014); Social Media Mining: Cambridge University Presseko sarrera bat
  • Barbier, Geoffrey; Feng, Zhuo; Gundecha, Pritam; eta Liu, Huan (2013); [1] , Morgan y Claypool Editores