この研究では、全国規模の時系列ジオタグ付きTwitter投稿を使用して、人々の行動が感情や場所とどのように関連しているのかを調査しました。まず、日本語話者14名が6,000件の投稿を手動でラベル付けし、日本語の感情グラウンドトゥルースデータセットを構築しました。 このデータセットを用いて事前学習済みの日本語BERTモデルをファインチューニングし、74%の精度で感情を予測できるモデルを作成しました。このモデルを使い、2021年の全国のジオタグ付きツイートを分析しました。
その結果、同じような場所にいたとしても、人々の行動によって感情が異なることが明らかになりました。例えば、医療・福祉施設では、「献血」や「励まし」といった言葉がポジティブな感情と結びついていましたが、「入院」や「治療」などの言葉はネガティブな感情と結びついており、また、医療・福祉施設(5.21%)、交通拠点(3.62%)、商業施設(2.48%)、緑地(1.97%)、文化施設(1.91%)、行政施設(1.75%)では、「混雑している」や「混雑に不満を持つ」ことが多く見られました。これらの傾向は、新型コロナウイルス感染症の影響や日本特有の文化的背景が関連している可能性があります。
さらに、ポジティブな感情は特定の地域に集中する一方で、ネガティブな感情は全国に分散していることが分かりました。例えば、商業施設(35.81%)やアトラクション(33.39%)はポジティブな感情の割合が最も高い一方で、ネガティブな感情は全国に分散しており、医療・福祉施設(9.22%)、政府施設(8.19%)、交通拠点(7.45%)はネガティブな感情の割合が最も高い結果となりました。
この調査の枠組みは、社会のダイナミクスに関する洞察を提供し、都市空間の改善に役立つ可能性があるため、都市計画者や政策立案に貢献する可能性があります。また、私たちが作成したグランドトゥルースデータセットは日本語特有の暗黙的および明示的な感情表現の両方を捉えることができることから、日本語会話の感情予測タスクに広く応用されることが期待されます。
This study investigated how individuals’ behaviors are intertwined with sentiments and places using nationwide longitudinal geotagged Twitter posts. In doing so, we constructed ground truth datasets of Japanese sentiments by manually labeling 6,000 posts by 14 Japanese speakers. We fine-tuned a pre-trained Japanese BERT model, achieving 74% accuracy, and used it to predict geotagged tweets nationwide for the year 2021.
Our findings revealed that people’s sentiments vary depending on their behaviors, even when they are in similar types of places. For instance, in medical and welfare facilities, words like “encouraging” and “donating blood” were linked to positive sentiments, while words like “admission” and “treatment” evoked negative sentiments, contributing to high negative sentiment percentages for these facilities. We also observed behaviors such as feeling crowded or complaining about crowding in medical and welfare facilities (5.21%), transportation hubs (3.62%), commercial facilities (2.48%), green spaces (1.97%), cultural facilities (1.91%), and government facilities (1.75%). These trends may have been influenced by the COVID-19 pandemic and specific cultural contexts.
Additionally, we observed that positive sentiments tend to cluster together while negative sentiments are spread throughout the country. For example, commercial facilities (35.81%) and attractions (33.39%) had the highest percentage of positive sentiments, while negative sentiments were dispersed across the country, with medical and welfare facilities (9.22%), government facilities (8.19%), and transportation hubs (7.45%) having the highest percentage of negative sentiments.
Our research framework could be valuable for urban planners and policymakers as it provides insights into societal dynamics and can help in enhancing urban spaces. In addition, the ground truth datasets we created are beneficial for future tasks of emotional prediction for Japanese conversations, capturing both implicit and explicit emotional expressions in our corpus.
【論文情報】
Liu, M., Shibuya, Y., & Sekimoto, Y. (2024). Emotions, behaviors and places: Mapping sentiments with behaviors in Japanese tweets. Cities, 155, 105449. https://doi.org/10.1016/j.cities.2024.105449
Figure: 2D heatmap of all POI locations in 2021
Figure: Percentage of behaviors under different sentiments in different types of places.
