شبكات التواصل الاجتماعي تتنبأ بأماكن استجمام السياح

قام العلماء من الجامعة الوطنية للأبحاث التكنولوجية "ميسيس" بتطوير نموذج رياضي يسمح لنا التنبؤ بالموقع التالي، الذي سيتواجد فيه مستخدم شبكة التواصل "تويتر". ويعتقد الباحثون أن هذا النموذج سوف يساعد الشركات السياحية وكل مؤسسة مرتبطة بقطاع السياحة على التنبؤ بأهمية المنتجعات السياحية أثناء موسم العطلة والإجازات.

يشار إلى أنه في وقت سابق، تم اختبار نهج ونموذج مماثل أثناء إجراء دراسة لردود أفعال المسافرين حيال الخدمات المقدمة في القطارات عالية السرعة في الهند.

يتبادل الأشخاص كل يوم، الصور والمنشورات والتعليقات ومواقع تواجدهم في وسائل التواصل الاجتماعي. واستناداً لذلك أجرى علماء "ميسيس" دراسة حول إمكانية التنبؤ بالمكان التالي الذي يمكن أن يزوره المستخدم بناءً على أساليب التعلم الآلي (ML) وتحليل البيانات الضخمة (BigData)، التي تم الحصول عليها من المصادر العلنية لبيانات شبكة التويتر. وبالطبع فإن أساليب التعلم الآلي ML تتيح للحاسوب دراسة السجلات التاريخية واستخدامها للتنبؤ واتخاذ القرارات عند تلقي بيانات جديدة.

في هذا السياق علقت مارينا نيجورينا المسؤولة عن هذه الدراسة، مدير معهد نظم المعلومات التجارية في جامعة "ميسيس" قائلة:

"لم نستخدم فقط البيانات المفتوحة المتعلقة بالأماكن السياحية التي يؤمها المستخدمون وأماكن السفر، ولكن أيضاً البيانات المتعلقة بشخصية المسافرين أنفسهم. في البداية، استخرجنا جميع التغريدات التي تحمل علامات جغرافية (التغريدات مع معلومات الموقع) من البيانات وقمنا بتصنيفها. فمن مجموعة عشوائية مكونة من 5000 ملف تعريف مستخدم من دول أوروبية مختلفة مثل فرنسا وألمانيا والسويد وإسبانيا وإيطاليا وسويسرا وبولندا واليونان وغيرها العديد من الدول الأخرى، تم فرز أكثر من 800 ألف تغريدة. وعند اجراء عملية انتقاء البيانات، كانت الفئات الأكثر زيارة في الرحلات هي أماكن تناول الطعام والنوادي الليلية ومحطات القطارات والكنائس وشواطئ البحر. لكل فئة قمنا بإعداد مجموعة بيانات منفصلة".

وبحسب قول الباحثة نيجورينا، فإنه عند اختيار البيانات، تم مقارنة الفئات بالخصائص الشخصية للمستخدم، وذلك لأن اختيار الكلمات في تغريدات المستخدم يعتمد بشكل أساسي على قيمهم الشخصية.

ساتشين كومار باحث آخر مشارك في هذه الدراسة تحدث قائلاً: "بالنسبة لأي نموذج تنبؤي، يعتبر عامل الدقة مؤشراً مهماً وإلزامياً. فإذا لم يتمكن نموذج التنبؤ من توفير وضمان الدقة التامة، فلا يمكن اعتبار هذا النموذج موثوقاً. لذلك استخدمنا طريقة تصنيف المجموعات التي تجمع بين نتائج جميع المصنفات الأساسية".

وبحسب رأي العلماء، يمكن الحصول على توقعات أكثر دقة من خلال جمع مؤشرات مثل الجنسية والجنس وعمر المستخدمين. المرحلة التالية من العمل هي تحليل وبناء النماذج باستخدام مجموعة من أساليب التعلم الآلي.

تم نشر نتائج هذا البحث في المجلة Journal of Ambient Intelligence and Humanized Computing.