La scienza emergente dell'antropologia computazionale

La crescente disponibilità di big data dai telefoni cellulari e dalle app basate sulla posizione ha innescato una rivoluzione nella comprensione dei modelli di mobilità umana. Questi dati mostrano il flusso e riflusso del pendolarismo quotidiano dentro e fuori le città, il modello di viaggio in tutto il mondo e persino come la malattia può diffondersi attraverso le città attraverso i loro sistemi di trasporto.

Quindi c'è un notevole interesse nell'esaminare più da vicino i modelli di mobilità umana per vedere quanto bene può essere previsto e come queste previsioni potrebbero essere utilizzate in tutto, dal controllo delle malattie e pianificazione urbana alla previsione del traffico e alla pubblicità basata sulla posizione.

Oggi abbiamo un'idea del tipo di dettaglio che è possibile grazie al lavoro di Zimo Yang alla ricerca Microsoft a Pechino e ad alcuni amici. Questi ragazzi partono dall'ipotesi che le persone che vivono in una città abbiano un modello di mobilità significativamente diverso da quelli che stanno semplicemente visitando. Dividendo i viaggiatori in locali e non, la loro capacità di prevedere dove è probabile che le persone visitino migliora notevolmente.

Zimo e co iniziano con i dati di un social network cinese basato sulla localizzazione chiamato Jiepang.com. È simile a Foursquare negli Stati Uniti. Consente agli utenti di registrare i luoghi che visitano e di connettersi con gli amici in questi luoghi e di trovarne altri con interessi simili.

I punti dati sono noti come check-in e il team ne ha scaricati più di 1,3 milioni da cinque grandi città della Cina: Pechino, Shanghai, Nanchino, Chengdu e Hong Kong. Hanno quindi utilizzato il 90% dei dati per addestrare i loro algoritmi e il restante 10% per testarli. I dati di Jiapang includono le città di origine degli utenti, quindi è facile vedere se un individuo sta effettuando il check-in nella propria città o da qualche altra parte.

La domanda a cui Zimo e co vogliono rispondere è la seguente: dato un particolare utente e la sua posizione attuale, dove è più probabile che visiti nel prossimo futuro? In pratica, ciò significa analizzare i dati dell'utente, come la sua città natale e le località visitate di recente, e creare un elenco di altre località che è probabile che visiti in base al tipo di persone che hanno visitato queste località in passato.

Zimo e co hanno utilizzato il loro set di dati di formazione per apprendere il modello di mobilità di locali e non locali e la popolarità dei luoghi che hanno visitato. Il team ha quindi applicato questo al set di dati di test per vedere se il loro algoritmo era in grado di prevedere dove avrebbero potuto visitare locali e non.

Hanno scoperto che i loro migliori risultati derivavano dall'analisi del modello di comportamento di un particolare individuo e dalla stima della misura in cui questa persona si comportava come un locale. Ciò ha prodotto una ponderazione chiamata coefficiente di indigenizzazione che i ricercatori potrebbero quindi utilizzare per determinare i modelli di mobilità che questa persona avrebbe probabilmente seguito in futuro.

In effetti, Zimo e co affermano di poter individuare i non locali in questo modo senza nemmeno conoscere la loro posizione di casa. Perché i non nativi tendono a visitare luoghi popolari, come il Palazzo Imperiale di Pechino e il Bund a Shanghai, mentre i nativi di solito fanno il check-in intorno alle loro case e luoghi di lavoro, aggiungono.

Il team afferma che questo approccio supera notevolmente gli algoritmi misti che utilizzano solo la cronologia delle visite individuali e la popolarità della posizione. Con nostra sorpresa, un algoritmo ibrido ponderato con i coefficienti di indigenizzazione supera l'algoritmo misto che tiene conto delle informazioni demografiche aggiuntive.

È facile immaginare come un algoritmo del genere possa essere utile per le aziende che desiderano rivolgersi a determinati tipi di viaggiatori o persone del posto. Ma c'è anche un'applicazione più interessante.

Zimo e co affermano che è possibile monitorare il modo in cui i modelli di mobilità di un individuo cambiano nel tempo. Quindi, se una persona si trasferisce in una nuova città, dovrebbe essere possibile vedere quanto tempo impiega per stabilirsi.

Un modo per misurarlo è nei loro modelli di mobilità: se sono più simili a quelli di un locale o di un non locale. Potremmo essere in grado di stimare se una persona non nativa si comporterà come una persona nativa dopo un certo periodo di tempo e, in tal caso, quanto tempo impiega in media una persona per diventare un nativo, affermano Zimo e co.

Ciò potrebbe avere un impatto affascinante sul modo in cui gli antropologi studiano la migrazione e sul modo in cui gli immigrati diventano parte di una comunità locale. Questa è l'antropologia computazionale, una scienza che è chiaramente agli inizi, ma che ha un enorme potenziale per il futuro.

Rif: arxiv.org/abs/1405.7769 : Indigenizzazione della mobilità urbana

nascondere