این مطالعه یک چارچوب محاسباتی شناختی را برای محیط‌های شهری، احساسات انسانی و فعالیت‌های انسانی پیشنهاد می‌کند که امکان استخراج دانش از داده‌های ساختاریافته و بدون ساختار را از طریق پردازش زبان طبیعی و بینایی رایانه‌ای با استفاده از داده‌های چندوجهی فراهم می‌کند. ما یک تحلیل و تفسیر عمیق از چارچوب خود انجام می‌دهیم تا نشان دهیم که استفاده از داده‌های رسانه‌های اجتماعی جمع‌سپاری بدون ابزار، رویکرد امیدوارکننده‌ای برای شناسایی فعالیت است. یافته‌ها ارتباط مداوم داده‌های رسانه‌های اجتماعی را با ایجاد همبستگی با نظرسنجی‌های سنتی‌تر اثبات می‌کنند. این تحقیق به درک و ارزیابی رفتار و بیان انسان در محیط‌های شهری کمک می‌کند و در عین حال راه را برای ظهور شبکه‌های اجتماعی مبتنی بر مکان به عنوان منابع مهم داده‌های مکانی برای تحلیل محیط‌های شهری و فعالیت‌های انسانی هموار می‌کند.
یافته‌های مطالعه ما، که رابطه بین محیط شهری و فعالیت‌های انسانی را از طریق رسانه‌های اجتماعی مورد بررسی قرار می‌دهد، سطح بالایی از سازگاری با نتایج تحقیقات سنتی را نشان می‌دهد. ضریب کاپا 0.792 ( p = 0.07) نشان دهنده یک توافق قوی است. این نتیجه از پیش‌بینی تجربی ما حمایت می‌کند که تعامل رسانه‌های اجتماعی در مناطقی با تمرکز بالایی از امکانات خدمات تجاری بیشتر بود ( گارسیا-پالومارس و همکاران، 2018 ). علاوه بر این، فعالیت شبانه در مراکز ثانویه شهری و مناطق کاربری ترکیبی غالب بود که با مطالعات قبلی مطابقت دارد ( فریاس-مارتینز و فریاس-مارتینز، 2014 ). شایان ذکر است، زیرساخت‌های خیابانی نقش مهمی در تسهیل فعالیت رسانه‌های اجتماعی ایفا کردند، احتمالاً به دلیل کفایت آن در مناطقی که با تراکم بالا و کاربری‌های متنوع مشخص می‌شوند. وجود امکانات تجاری، فضاهای سبز و مبلمان خیابانی بر سطوح فعالیت بدنی تأثیر مثبت داشت . به طور خاص، مناطقی با مکان‌های فراوان برای ورزش‌های بدنی مانند سالن‌های ورزشی، افزایش مشارکت در فعالیت‌های فیزیکی در مجاورت امکانات خدمات تجاری را نشان دادند – یافته‌ای که توسط تحقیقات قبلی انجام‌شده در همان منطقه مورد مطالعه پشتیبانی می‌شود ( سان و همکاران، 2019 ). علاوه بر این، عوامل تعیین‌کننده کلیدی مانند کیفیت محیطی خیابان شامل مناظر سبز و مبلمان خیابانی که به خوبی طراحی شده‌اند، فعالانه فعالیت بدنی را تشویق می‌کنند.
از سوی دیگر، مطالعه محیط شهری و احساسات عمومی مبتنی بر رسانه‌های اجتماعی و تحقیقات مرسوم بر اساس نظرسنجی‌ها دارای ثبات کاپا متوسط 441/0 بود. این نتیجه با تحقیقات قبلی مطابقت دارد که محیط شهری تأثیر کمی بر احساسات عمومی دارد و تأثیرات محیط و احساسات بر اساس مکان متفاوت است ( Plunz et al., 2019 ). در مناطق با ساخت و ساز با تراکم بالا، وجود تراکم جمعیت بالا با قطبیت احساسات منفی همراه بود. نظرسنجی‌های اجتماعی همچنین نشان داده‌اند که تراکم بیش از حد تأثیر مخربی بر احساس اجتماع دارد ( سان و همکاران، 2019 ). مشخص شد که تراکم‌های بالاتر با افزایش نگرانی‌ها در مورد جرم، آلودگی صوتی و زباله‌ها بر واکنش‌های احساسی تأثیر منفی می‌گذارد ( Mouratidis, 2019 ). یافته‌های مربوط به فضاهای سبز نیز با تحقیقات قبلی که نشان می‌دهند مناظر طبیعی می‌توانند به کاهش استرس کمک کنند ( Labib et al., 2020 ) همخوانی دارد و اثرات مثبتی بر سلامت جسمی و روانی دارد ( Lu، 2018 ).
تجزیه و تحلیل زیر گروه ما یافته هایی را نشان داد که فراتر از معمول است. ارتقای فعالیت بدنی و احساسات از طریق کیفیت محیطی نابرابری های اجتماعی را به نمایش گذاشت. تأثیر مثبت کیفیت طراحی خیابان تنها در مناطق با وضعیت اجتماعی-اقتصادی بالا قابل تشخیص بود، در حالی که همبستگی آن در مناطق محروم از نظر زیست‌محیطی ضعیف یا ناچیز است. ساکنان مکان‌هایی با نسبت مساحت بالا، محیط جامع برتر، و زمینه اجتماعی و اقتصادی مطلوب، فراوانی بیشتری از فعالیت بدنی را نشان دادند. با این حال، افزایش تراکم منجر به قطبیت احساسات منفی شد و میانگین امتیاز احساسات با بهبود پس‌زمینه اجتماعی-اقتصادی کاهش می‌یابد. این مطالعه نشان داد که این پدیده تنها در تراکم های بسیار بالا رخ می دهد. علاوه بر این، شاخص پوشش گیاهی و دید سبز تنها تمایلات عاطفی مثبت را در زمینه وضعیت اجتماعی-اقتصادی بالا و یک محیط کلی شهری بهتر ترویج می‌کنند. تأثیر محیط شهری بر رفتار مستقیم‌تر است، در حالی که تأثیر آن بر احساسات پیچیده‌تر است، که به‌ویژه برای محیط‌های خاص یا جمعیت‌های خاص قابل توجه است.
تحقیق ما به طور پیشگیرانه یک طرح طبقه بندی زیرگروهی را از طریق تجزیه و تحلیل زیر گروهی از پیش تعیین شده ایجاد می کند. ویژگی متمایز تحقیق ما استخراج حجم نمونه کافی از داده های بزرگ برای تسهیل تجزیه و تحلیل زیرگروه ها است و در نتیجه از خطاهای تحقیق ناشی از حجم نمونه محدود جلوگیری می کند. بینش‌های حاصل از تجزیه و تحلیل زیرگروه‌ها، راه را برای مداخلات سیاستی متناسب با شرایط خاص، بهینه‌سازی تخصیص منابع با تمرکز بر گروه‌هایی که احتمال دارد به مداخله پاسخ مثبت می‌دهند، هموار می‌کند. ناهمگونی مکانی شاخص‌های محیطی، تحت‌تاثیر اندازه مطالعه و روش‌های تقسیم واحد، چالش‌هایی را برای تشخیص الگوی سطح خرد ایجاد می‌کند. با این حال، استفاده از داده‌های بزرگ برای کاوش رفتار زیست‌محیطی همچنان می‌تواند شواهدی برای نوسازی شهری به دست آورد.
اهمیت کار ما در این است که نشان دهیم چگونه می توان از داده های رسانه های اجتماعی برای مطالعه محیط های شهری، الگوهای رفتاری انسانی و احساسات استفاده کرد. چارچوب محاسباتی شناختی ما به‌جای تمرکز بر مشکلات خاص در زمان‌های خاص، به‌عنوان یک ابزار برنامه‌ریزی برای تصمیم‌گیری‌های طراحی عمل می‌کند – پیشرفتی اساسی در جهت درک تعاملات با محیط. این ادغام رسانه‌های اجتماعی و تجزیه و تحلیل کلان داده‌ها ابزار جایگزینی برای بیان افکار یا احساسات خود در اختیار افراد قرار می‌دهد – منبعی ارزشمند برای تصمیم‌گیرندگانی که هدفشان تقویت حکمرانی شهر هوشمند است.
این مطالعه هنوز دارای چندین محدودیت تحقیقاتی است. استفاده از داده های رسانه های اجتماعی به دلیل پوشش محدود، مسائل مربوط به کیفیت داده ها، ابهام، و چالش ها در ارائه جمعیت های متنوع محدود شده است. مهم است که هنگام تکیه بر توییت‌های دارای برچسب جغرافیایی، پتانسیل سوگیری انتخاب را بپذیریم، زیرا ممکن است گرایش‌های احساسی همه گروه‌های جمعیتی را به درستی منعکس نکنند. علاوه بر این، باید توجه داشت که کاربران Sina Weibo عمدتاً به گروه‌های سنی جوان‌تر تعلق دارند، که تعمیم یافته‌ها را به جمعیت‌های وسیع‌تری محدود می‌کند. علاوه بر این، هنگام استفاده از داده های معنایی برای تجزیه و تحلیل الگوهای فعالیت بدنی، ممکن است بین مکان و محتوای متن رسانه های اجتماعی و مکان های واقعی فعالیت مغایرت وجود داشته باشد. بنابراین، هنگام ارزیابی سطوح فعالیت بدنی، مهم است که ملاحظات روش شناختی سنتی را با داده های رسانه های اجتماعی جغرافیایی جایگزین نکنید. با این حال، داده‌های رسانه‌های اجتماعی ارجاع‌شده جغرافیایی همچنان در ایجاد بینش‌های معنادار و ارزشمند به‌ویژه در مناطق شهری که تمرکز بالایی از کاربران فعال رسانه‌های اجتماعی وجود دارد، نویدبخش است. در مقایسه با روش‌های مرسوم، داده‌های رسانه‌های اجتماعی پوشش فضایی گسترده‌تری را همراه با زمان و هزینه کمتر برای جمع‌آوری داده‌ها ارائه می‌دهند.
