Usability of small crisis data sets in the absence of big data

水火計畫讀書會書目摘要單

書名（以學術體例詳填資料，網路來源提供超連結及檢索日）：

Paul, Avijit & Bruns, Axel (2013) Usability of small crisis data sets in the absence of big data. International Conference on Information, Business and Education Technology (ICIBIT 2013)

導讀者：黃淑琳                              

原作摘要：

災難傳播喜歡研究Big Data。但如何以收集data、用什麼適當工具仍是許多人無法掌握的。這篇研究從small data著手，觀察small data比起big data是否能突破資訊收集與分析工具的限制，更適用於災難傳播&後續行動上。

重點整理：

Big data vs small data

Ÿ  比例關係：如果big data有上百萬組資訊，small data就是上千則。

研究方法

Ÿ  目的：觀察tweets中地理資訊的變化，確認twitter上的討論是否能讓救災組織及時處理。

Ÿ  收集2011年，紐西蘭地震時含有#enqz的tweets，共164,390筆。

Ÿ  以災難發生後的黃金24小時做為資料撈取的時間框架。

整體資料呈現的情況（24小時內，每六小時的關鍵字變化量）

Ÿ  前6小時，媒體報導與使用者傳散，twitter上最常被提到的是國家名(NZ)和區域較廣的地名(Christchurch)。

Ÿ  災害後第12小時開始，大家談論的地名會越來越詳細、精準討論到確切災情地區、地點 (CTV大樓)

Ÿ  從tweets來看使用者對紐西蘭地震的地理認知：大地名→小地方。

特定地區討論量的趨勢觀察（救災需要），依序為

Ÿ  Cathedral：最早被影響的地區

Ÿ  Hospital

1.  有人在找醫院

2.  或是有醫院受地震影響

Ÿ  Airport：曾一度傳聞受影響，後證實無礙

Ÿ  CTV or Canterbury Television Building：超過半數的傷亡名單來自於此

討論

Ÿ   從small data中特定地區被提到的次數，確實可在災難發生時幫助做出立即判斷。(至少先判斷廣泛地區，再繼續關注到特定區域)

Ÿ   但有些地區名稱太像，會產生混淆(有很多地區景點以cathedral命名)，需要進一步過濾。

結論

Ÿ   研究結果顯示，小資料的蒐集與分析對於災難發生時辨識急需幫助的地區相當有用。

Ÿ   註：雖然撈取資料的時間點是在#eqnz變得較為熱門之後開始，所以錯失相當數量的資料，但仍不影響地理區位的辨識。