Περίληψη
Η ποσότητα της πληροφορίας που παράγεται σήμερα από τους χρήστες των μέσων Κοινωνικών Δικτύωσης (Social Media) έχει ξεπεράσει κάθε προσδοκία. Σε πλατφόρμες όπως το Facebook και το Twitter, οι χρήστες δρουν συχνά ως «αισθητήρες», πραγματοποιώντας ποικίλες «μετρήσεις» που καταγράφουν έναν εντυπωσιακό όγκο από δεδομένα για το περιβάλλον τους ή ακόμα και για τους ίδιους. Αυτοί οι «Αισθητήρες Κοινωνικής Δικτύωσης» (Social Sensors) είναι εξαιρετικά χρήσιμοι σε πληθώρα επιστημών (π.χ. ηλεκτρονική υγεία, διατροφή & άσκηση, κοινωνικές επιστήμες) ιδιαίτερα όταν συνδυάζονται με δεδομένα από κλασσικούς αισθητήρες υλικού (Hardware Sensors). Παρ' όλα αυτά, τα δεδομένα ενός Social Sensor είναι, κατά κύριο λόγο, μη δομημένα, κυμαινόμενης αξιοπιστίας και χωρίς τις απαραίτητες αλυσίδες προέλευσης (provenance chains) που απαιτούνται για την ενοποίηση μεταξύ ετερογενών πηγών, την εξακρίβωση της ποιότητας και αξιοπιστίας της πληροφορίας, και την αξιοποίησή της. Οι τεχνολογίες Σημασιολογικού Ιστού (Semant ...
Η ποσότητα της πληροφορίας που παράγεται σήμερα από τους χρήστες των μέσων Κοινωνικών Δικτύωσης (Social Media) έχει ξεπεράσει κάθε προσδοκία. Σε πλατφόρμες όπως το Facebook και το Twitter, οι χρήστες δρουν συχνά ως «αισθητήρες», πραγματοποιώντας ποικίλες «μετρήσεις» που καταγράφουν έναν εντυπωσιακό όγκο από δεδομένα για το περιβάλλον τους ή ακόμα και για τους ίδιους. Αυτοί οι «Αισθητήρες Κοινωνικής Δικτύωσης» (Social Sensors) είναι εξαιρετικά χρήσιμοι σε πληθώρα επιστημών (π.χ. ηλεκτρονική υγεία, διατροφή & άσκηση, κοινωνικές επιστήμες) ιδιαίτερα όταν συνδυάζονται με δεδομένα από κλασσικούς αισθητήρες υλικού (Hardware Sensors). Παρ' όλα αυτά, τα δεδομένα ενός Social Sensor είναι, κατά κύριο λόγο, μη δομημένα, κυμαινόμενης αξιοπιστίας και χωρίς τις απαραίτητες αλυσίδες προέλευσης (provenance chains) που απαιτούνται για την ενοποίηση μεταξύ ετερογενών πηγών, την εξακρίβωση της ποιότητας και αξιοπιστίας της πληροφορίας, και την αξιοποίησή της. Οι τεχνολογίες Σημασιολογικού Ιστού (Semantic Web) μπορούν να χρησιμοποιηθούν για τη λύση αυτών των προβλημάτων, μετατρέποντας την πληροφορία σε μορφή που είναι καλύτερα κατανοητή και επεξεργάσιμη από την σύγχρονη τεχνολογία. Η διατριβή παρουσιάζει το SOSENS (SOcial SENSor) framework, μία αρχιτεκτονική που παρέχει ένα ενιαίο σημασιολογικό πλαίσιο για περιβάλλοντα Social Sensing, βασισμένο σε οντολογίες. Η βασική οντολογία (SOSENS) περιγράφει σημασιολογικά τους χρήστες ως αισθητήρες, επιτρέποντας την εύκολη ενοποίηση και σύγκριση της πληροφορίας. Επεκτάσεις όπως η οντολογία SOSENS-Trust προσφέρουν την εννοιολογική βάση για την περιγραφή διαδικασιών όπως ο υπολογισμός δεικτών αξιοπιστίας (trust) και φήμης (reputation). Το SOSENS framework, που υλοποιήθηκε στα πλαίσια της διατριβής, χρησιμοποιήθηκε και αξιολογήθηκε σε ένα περιβάλλον Ηλεκτρονικής Υγείας (e-health) όπου πληροφορία από Facebook Social Sensors συνδυάστηκε με πληροφορία από ψηφιακά βηματόμετρα Fitbit, με σκοπό την παρακολούθηση της φυσικής δραστηριότητας. Η χρήση του SOSENS framework συνέβαλλε στην αποτελεσματική συλλογή, ενοποίηση, ανάλυση και καταγραφή τόσο των δεδομένων των αισθητήρων όσο και των μεταδεδομένων προέλευσης και αξιοπιστίας. Η σημασιολογικά-πλούσια μορφή της παραγόμενης πληροφορίας διευκολύνει την επαναχρησιμοποίησή της και συμβάλλει στη δημιουργία διαλειτουργικών χώρων Social Sensing.
περισσότερα
Περίληψη σε άλλη γλώσσα
The amount of content that Social Media users produce nowadays is staggering. In Social Media platforms such as Facebook and Twitter, humans act implicitly as sensors, making observations about real-world events or themselves that are extremely varied. In a way, these users can be treated as Social Sensors: a source of self-reported data that resembles sensor observations about a particular event or property and is accompanied by a wealth of social metadata, both very useful to a variety of scientific disciplines (e.g. e-Health, nutrition & dietetics, social sciences), especially when integrated with data from traditional hardware sensors. Nevertheless, data from social sensors is mostly unstructured, untrusted and usually provided without the provenance chains that are required for assessing data quality, data integration and, eventually, decision making. Semantic Web technologies can play a beneficial role in this emerging area. This thesis presents the SOSENS (SOcial SENSor) framewo ...
The amount of content that Social Media users produce nowadays is staggering. In Social Media platforms such as Facebook and Twitter, humans act implicitly as sensors, making observations about real-world events or themselves that are extremely varied. In a way, these users can be treated as Social Sensors: a source of self-reported data that resembles sensor observations about a particular event or property and is accompanied by a wealth of social metadata, both very useful to a variety of scientific disciplines (e.g. e-Health, nutrition & dietetics, social sciences), especially when integrated with data from traditional hardware sensors. Nevertheless, data from social sensors is mostly unstructured, untrusted and usually provided without the provenance chains that are required for assessing data quality, data integration and, eventually, decision making. Semantic Web technologies can play a beneficial role in this emerging area. This thesis presents the SOSENS (SOcial SENSor) framework, an ontology-based solution which provides a “semantic scaffold” for Social Sensing spaces. The basic ontology (SOSENS) combines several well-established ontologies to describe humans as Sensors on Social Media in a systematic manner, bringing them to the same semantic level as a Hardware Sensor and allowing the integration of the two when needed. Extensions, in the forms of ontologies such as SOSENS-Trust, provide the groundwork for describing other aspects of Social Sensing spaces, such as Social Sensor data quality and trust. The framework was evaluated in the NutriHeAl e-Health project, where self-reported physical activity from Facebook Social Sensors is combined with Fitbit Digital Pedometers in order to track physical activity as well as calculate data quality and user trust. Using the framework, the semantically-rich data of this complex sensing space was efficiently collected, integrated, analysed and stored along with clear provenance & attribution metadata of all the actors & processes involved. SOSENS improves information quality, fosters reusability and creates interoperable social sensing spaces for the Web 3.0 era.
περισσότερα