พัฒนา ราชวงศ์ สุดารัตน์ สุขอยู่ และกรกช หิริรัตน์
อาศรมภูมิวิทยาศาสตร์ สาขาวิชาภูมิศาสตร์
มหาวิทยาลัยนเรศวร
แปลและเรียบเรียงจาก Benjamin Adams (2024) Big data.In Introducing Human Geographies, Fourth Edition. Edited by Kelly Dombroski, Mark Goodwin, Junxi Qian, Andrew Williams and Paul Cloke. pp.1249-1262. London: Routlege.
บทนำ
เรากำลังมีชีวิตอยู่ในยุคของข้อมูลขนาดใหญ่
(Big
data) ซึ่งข้อมูลที่มีขนาดมหึมาและขอบเขตที่กว้างขวางนั้นได้มอบมุมมองและโอกาสใหม่
ๆ ในการทำความเข้าใจปรากฏการณ์ต่าง ๆ อย่างหลากหลาย สิ่งที่ถูกนิยามว่า
"ใหญ่" นั้นอาจแตกต่างกันไปตามแต่ละสาขาวิชา แต่โดยทั่วไปแล้ว
ข้อมูลขนาดใหญ่มักหมายถึงข้อมูลที่มีคุณลักษณะ 3 ประการ (3
Vs) ได้แก่: ปริมาณ (Volume), ความเร็ว (Velocity)
และความหลากหลาย (Variety) (Kitchin and McArdle, 2016) โดย "ปริมาณ" หมายถึงขนาดของข้อมูล "ความเร็ว"
หมายถึงอัตราการสร้างข้อมูลที่ใกล้เคียงกับเวลาปัจจุบัน (Real-time) และ "ความหลากหลาย" หมายถึงรูปแบบที่แตกต่างกันของข้อมูล
คุณลักษณะทั้ง 3 ประการนี้มีความสัมพันธ์กัน
โดยความหวังของข้อมูลขนาดใหญ่คือ
ข้อมูลที่มีคุณสมบัติเหล่านี้จะช่วยให้เราสามารถค้นหารูปแบบใหม่ ๆ
ผ่านการใช้สถิติและวิธีการเชิงปริมาณ (Quantitative methods) ที่เกี่ยวข้อง ซึ่งจะนำไปสู่การค้นพบองค์ความรู้ใหม่
แม้ว่าการวิเคราะห์ข้อมูลขนาดใหญ่จะเป็นเครื่องมือที่มีประสิทธิภาพ
แต่มันก็ไม่ใช่ยาสารพัดโรค (Panacea) และจะทำงานได้ดีที่สุดเมื่อมีการตีความควบคู่ไปกับความรู้เฉพาะทางในแต่ละสาขาวิชา
ในทางภูมิศาสตร์
(Geography)
การทำงานกับชุดข้อมูลขนาดใหญ่ไม่ใช่เรื่องใหม่
เครื่องมือการสำรวจระยะไกล (Remote sensing) เช่น
ดาวเทียมสำรวจทรัพยากร (Imaging satellites) ได้สร้างข้อมูลด้านสิ่งแวดล้อมจำนวนมหาศาลมานานหลายทศวรรษแล้ว
เรามีระบบสารสนเทศภูมิศาสตร์ (Geographic Information Systems - GISs) และเครื่องมืออื่น ๆ
ในการวิเคราะห์ข้อมูลเหล่านี้เพื่อทำความเข้าใจกระบวนการและการเปลี่ยนแปลงทางสิ่งแวดล้อมอย่างละเอียด
ก่อนช่วงต้นคริสต์ทศวรรษ 2000
ชุดข้อมูลทางภูมิศาสตร์ขนาดใหญ่ส่วนใหญ่มักถูกสร้างขึ้นโดยแหล่งข้อมูลทางการที่มีลักษณะรวมศูนย์
(Centralised, authoritative sources) เช่น
หน่วยงานแผนที่ระดับชาติหรือบริษัทเอกชนที่ทำข้อมูลให้เป็นมาตรฐานเดียวกัน
อย่างไรก็ตาม เมื่อไม่นานมานี้
ด้วยการขยายตัวของอินเทอร์เน็ตและรูปแบบใหม่ของเนื้อหาที่ผู้ใช้สร้างขึ้นเอง (User-generated
content) แหล่งที่มาของข้อมูลทางภูมิศาสตร์จึงมีความหลากหลาย (Heterogeneous)
มากยิ่งขึ้น
ภูมิทัศน์อันรุ่มรวยของแหล่งข้อมูลใหม่เหล่านี้แสดงถึงการเปลี่ยนแปลงอย่างถอนรากถอนโคน
(Sea change) ในวิธีการที่เราจัดเก็บข้อมูลเกี่ยวกับกระบวนการระหว่างมนุษย์กับสถานที่
(Human-place processes) และความหลากหลายนี้เองคือสิ่งที่เรามักจะอ้างถึงเมื่อกล่าวถึงข้อมูลขนาดใหญ่ในบริบทของภูมิศาสตร์มนุษย์
(Human geography)
ตลอดสองทศวรรษที่ผ่านมา
กลุ่มผู้ที่ไม่ใช่ผู้เชี่ยวชาญจำนวนมากได้เกิดขึ้นเพื่อสร้างข้อมูลทางภูมิศาสตร์รูปแบบใหม่ที่เรียกว่า
สารสนเทศภูมิศาสตร์ภาคอาสาสมัคร (Volunteered Geographic Information -
VGI) (Goodchild, 2007) เช่นเดียวกับที่วิกิพีเดีย (Wikipedia)
พัฒนาขึ้นจากการเป็นแหล่งความรู้สารานุกรมแบบล่างขึ้นบน (Bottom-up)
จากผู้สนับสนุนรายบุคคลจำนวนมหาศาล แพลตฟอร์ม VGI ที่คล้ายคลึงกันอย่าง โอเพนสตรีทแมป (OpenStreetMap - OSM) ก็ประสบความสำเร็จอย่างสูงในการสร้างชุดข้อมูลภูมิศาสตร์ระดับโลกขนาดใหญ่จากการมีส่วนร่วมของอาสาสมัคร
นอกเหนือจากความพยายามที่ดำเนินการโดยชุมชนเหล่านี้แล้ว
เนื้อหาออนไลน์ยังรวมถึงข้อมูลทางภูมิศาสตร์ที่ถูกสร้างขึ้นโดยไม่รู้ตัว (Passively
generated data) อีกจำนวนมาก ตัวอย่างเช่น
การใช้อุปกรณ์เคลื่อนที่ในชีวิตประจำวันได้ทำให้ปริมาณข้อมูลเกี่ยวกับพฤติกรรมของมนุษย์ในเชิงพื้นที่และเวลาเปลี่ยนแปลงไปอย่างมหาศาล
รูปแบบของข้อมูลทางภูมิศาสตร์ยังขยายตัวออกไปอย่างมีนัยสำคัญ
จากที่ในอดีตเราอาจจำกัดความข้อมูลทางภูมิศาสตร์ว่าต้องเป็นข้อมูลเชิงพื้นที่โดยชัดแจ้ง
(Explicitly spatial) เช่น จุดหรือรูปทรงที่แทนพิกัดลองจิจูดและละติจูดบนพื้นโลก
แต่ข้อมูลทางภูมิศาสตร์ขนาดใหญ่ (Geographic big data) ได้เปิดมุมมองที่ครอบคลุมกว่านั้น
โดยรวมถึงข้อมูลที่อิงกับสถานที่ (Place-based information) เช่น
ข้อความออนไลน์ที่ผู้คนเขียนเกี่ยวกับสถานที่ต่าง ๆ หรือรูปถ่ายที่พวกเขาถ่ายไว้
ในส่วนที่เหลือของบทนี้ เราจะอภิปรายถึงตัวอย่างการนำข้อมูลขนาดใหญ่มาใช้ในการวิจัยทางภูมิศาสตร์มนุษย์ในปัจจุบันและผลกระทบที่เกิดขึ้น เราจะเน้นย้ำถึง 3 ขอบเขตหลักที่ข้อมูลขนาดใหญ่กำลังสร้างผลกระทบต่อภูมิศาสตร์มนุษย์ ได้แก่: สารสนเทศภูมิศาสตร์ภาคอาสาสมัครโดยมี OSM เป็นตัวอย่าง, ข้อมูลเคลื่อนที่และการวิเคราะห์การเคลื่อนที่ (Mobile data and movement analysis), และแบบจำลองสถานที่ที่ขับเคลื่อนด้วยข้อมูลจากข้อมูลที่ไม่มีโครงสร้าง (Data-driven models of place from unstructured data)
สรุปย่อ
- ข้อมูลขนาดใหญ่ในทางภูมิศาสตร์มนุษย์ไม่เพียงแต่หมายถึงปริมาณข้อมูลที่ผลิตออกมาเป็นจำนวนมากเท่านั้น แต่ยังรวมถึงความเร็วที่เพิ่มขึ้นและความหลากหลายของแหล่งข้อมูลที่ช่วยให้เห็นภาพลึกซึ้งถึงกระบวนการระหว่างมนุษย์กับสถานที่
สารสนเทศภูมิศาสตร์ภาคอาสาสมัคร
ตัวอย่างที่โดดเด่นที่สุดในช่วงไม่กี่ปีที่ผ่านมาของข้อมูลที่ผู้ใช้สร้างขึ้นซึ่งเข้ามาแทนที่ชุดข้อมูลภูมิศาสตร์จากหน่วยงานทางการคือโครงการ
OSM
(Bertolotto et al., 2020) โดย OSM เป็นชุดข้อมูลระดับโลกที่มีการปรับปรุงอยู่เสมอ
ประกอบด้วยจุดข้อมูลหลายล้านจุดที่อธิบายโครงข่ายถนน อาคาร จุดสนใจ (Points
of interest) และคุณลักษณะทางภูมิศาสตร์อื่น ๆ OSM ถูกสร้างขึ้นในปี ค.ศ. 2004
เพื่อให้เป็นแผนที่โลกที่ใช้งานได้ฟรี เนื่องจากในหลายพื้นที่ของโลก
ข้อมูลแผนที่คุณภาพสูงจากแหล่งข้อมูลทางการมีราคาแพงเกินกว่าที่ประชาชนทั่วไปจะเข้าถึงได้
ในปัจจุบัน คุณภาพของข้อมูลใน OSM อยู่ในระดับที่ทัดเทียมกับข้อมูลจากหน่วยงานแผนที่ระดับชาติ
และในความเป็นจริงแล้ว ข้อมูลในหลายพื้นที่ยังมีความทันสมัยกว่า
เนื่องจากผู้มีส่วนร่วมสามารถปรับปรุงข้อมูลได้โดยตรง ในช่วง 15 ปีแรก OSM ได้เติบโตขึ้นจนมีผู้มีส่วนร่วมมากกว่า 6 ล้านคน ถือเป็นหนึ่งในความพยายามในการระดมทรัพยากรจากภาคประชาชน (Crowdsourcing)
โดยอาสาสมัครที่ใหญ่ที่สุดเท่าที่เคยมีมา แม้ว่าการจัดเก็บข้อมูลของ
OSM จะไม่มีการรวมศูนย์และใครก็สามารถมีส่วนร่วมได้
แต่โครงสร้างทางสังคมที่เป็นระบบก็ได้พัฒนาขึ้นรอบ ๆ OSM ซึ่งมีส่วนกำหนดทิศทางของโครงการ
ตัวอย่างเช่น ทีม Humanitarian OSM (HotOSM) ที่จัดกิจกรรมการทำแผนที่แบบทันการณ์เพื่อสนับสนุนความพยายามในการตอบโต้เหตุการณ์ในพื้นที่ที่ประสบภัยพิบัติทางธรรมชาติ
เช่น แผ่นดินไหว
แม้จะประสบความสำเร็จ
แต่ OSM
ก็มีข้อจำกัดบางประการเช่นเดียวกับโครงการระดมทรัพยากรออนไลน์ขนาดใหญ่อื่น
ๆ เช่น วิกิพีเดีย ตัวอย่างเช่น
ในช่วงเวลาใดเวลาหนึ่งจะมีแผนที่โลกเพียงรูปแบบเดียวเท่านั้น
ซึ่งหมายความว่าการนำเสนอที่แตกต่างกันบนแผนที่ไม่สามารถอยู่ร่วมกันได้โดยง่าย
ป้ายกำชื่อ (Labels) ที่ใช้ในการจำแนกประเภทจุดสนใจยังถูกกำหนดไว้ตายตัว
ซึ่งอาจไม่สอดคล้องกับแนวคิดในท้องถิ่น (Local conceptualisations) นอกจากนี้
ผู้มีส่วนร่วมในข้อมูลไม่ได้รวมถึงตัวแทนของประชากรในท้องถิ่นเสมอไป
ส่งผลให้ความครอบคลุมของข้อมูลมีความแตกต่างกันอย่างมากในแต่ละส่วนของโลก
ข้อมูลทั้งหมดล้วนมี "ทฤษฎีแฝงอยู่" (Theory-laden) ซึ่งหมายความว่ารูปแบบของข้อมูลขึ้นอยู่กับข้อสันนิษฐานเบื้องต้นจำนวนหนึ่งที่ผู้เก็บข้อมูลกำหนดขึ้นเกี่ยวกับขอบเขตและสิ่งที่กำลังถูกวัด
(Longino, 1979) ตัวอย่างเช่น ประเภทของข้อมูล (เช่น
"สวนสาธารณะ" และ "สิ่งอำนวยความสะดวก")
ที่ใช้ในการจำแนกคุณลักษณะบนแผนที่ OSM สามารถถูกตีความให้มีความหมายที่แตกต่างกันมากโดยผู้มีส่วนร่วมแต่ละคน
การตีความนั้นอาจขึ้นอยู่กับภูมิหลังส่วนบุคคล ความเชี่ยวชาญ วัฒนธรรม
หรือแม้แต่สถานการณ์ที่มีการจัดเก็บข้อมูล (เช่น เหตุการณ์การตอบโต้ภาวะฉุกเฉิน)
สิ่งนี้ยังส่งผลกระทบต่อการตัดสินใจของผู้มีส่วนร่วมว่าคุณลักษณะใดที่สำคัญพอที่จะต้องถูกบรรจุลงในแผนที่ตั้งแต่แรก
ใน OSM (และข้อมูลขนาดใหญ่โดยทั่วไป)
กระบวนการสร้างข้อมูลจึงไม่มีลักษณะที่เป็นเนื้อเดียวกัน
และสิ่งที่ถูกนำเสนอในข้อมูลย่อมมีความผันแปร
ซึ่งส่งผลให้การตีความข้อมูลในภาพรวมและการประยุกต์ใช้กับปัญหาใหม่ ๆ
มีความซับซ้อน นอกจากนี้ แม้ว่า OSM จะเริ่มต้นจากการเป็นแผนที่ฟรี
แต่ด้วยคุณภาพที่ทัดเทียมกับแหล่งข้อมูลแผนที่อื่น ๆ ในปัจจุบัน
มันจึงถูกนำไปใช้ในแอปพลิเคชันเชิงพาณิชย์จำนวนมาก บางบริษัท เช่น เฟซบุ๊ก (Facebook)
หรือ เมตา (Meta) ไม่ได้เป็นเพียงผู้ใช้เท่านั้น
แต่ยังเป็นผู้มีส่วนร่วมในข้อมูลด้วย
โดยบางครั้งมีการใช้เครื่องมือการเรียนรู้ของเครื่อง (Machine learning) แบบอัตโนมัติเพื่อปรับปรุงข้อมูล
ซึ่งก่อให้เกิดคำถามในหมู่สมาชิกชุมชนบางส่วนว่าโครงการได้เบี่ยงเบนไปจากรากฐานของการเป็นอาสาสมัครหรือไม่
ความสามารถในการเป็นตัวแทน (Representativeness) และอคติ (Bias) ที่ตามมาของข้อมูลเป็นข้อกังวลที่เกิดขึ้นอย่างต่อเนื่องเมื่อทำงานกับข้อมูลขนาดใหญ่ เพราะในบางครั้งเราไม่มีภาพที่ชัดเจนของประชากรที่เป็นผู้สร้างข้อมูล ในกรณีของ OSM มีคำถามว่าข้อมูลสะท้อนถึงประชากรศาสตร์ของกลุ่มผู้มีส่วนร่วม หรือแม้แต่ผลประโยชน์เชิงพาณิชย์อย่างไร ความเกี่ยวข้องของประเด็นเหล่านี้สำหรับการวิจัยทางภูมิศาสตร์มนุษย์นั้นขึ้นอยู่กับบริบท หากคุณต้องการข้อมูลโครงข่ายการขนส่งที่ทันสมัยในพื้นที่เมืองเพื่อวิเคราะห์เกี่ยวกับพื้นที่ที่ขาดแคลนอาหารสด (Food deserts) และการเข้าถึงอาหารเพื่อสุขภาพ (ดูภาพที่ 66.1) OSM ก็อาจเป็นแหล่งข้อมูลที่ดีเยี่ยมสำหรับงานนั้น แต่หากคุณสนใจที่จะทำความเข้าใจสถานที่ที่มีความสำคัญทางวัฒนธรรมสำหรับกลุ่มคนที่ไม่ค่อยมีส่วนร่วมใน OSM ข้อมูลนี้อาจไม่ตอบโจทย์ตามวัตถุประสงค์ เราจะเห็นประเด็นเรื่องความสามารถในการเป็นตัวแทนของข้อมูลขนาดใหญ่เกิดขึ้นในอีกสองส่วนถัดไปเช่นกัน
ภาพที่ 66.1 ฟิลลี ฟู้ด แมปส์ (Philly food maps)
(http://www.gis.cwu.edu/phillyfood/) คือเว็บไซต์ที่ใช้ข้อมูลจากโอเพนสตรีทแมป
(OpenStreetMap) ที่รวบรวมจากมวลชน เพื่อแสดงการเข้าถึงอาหารสดในเมืองฟิลาเดลเฟีย
(Philadelphia)
ที่มา: http://www.gis.cwu.edu/phillyfood/
สรุปย่อ
- สารสนเทศภูมิศาสตร์ภาคอาสาสมัครคือข้อมูลทางภูมิศาสตร์ที่ได้รับการระดมทรัพยากรจากอาสาสมัครและประชากรในท้องถิ่น ในหลายกรณี ข้อมูลนี้ได้เข้ามาแทนที่ข้อมูลที่ในอดีตเคยถูกจัดทำโดยผู้ผลิตข้อมูลที่มีความรวมศูนย์และมีอำนาจหน้าที่อย่างเป็นทางการ
ข้อมูลการเคลื่อนที่จากอุปกรณ์เคลื่อนที่
ในการวิจัยทางภูมิศาสตร์
การจัดเก็บข้อมูลจากการใช้อุปกรณ์เคลื่อนที่มักถูกเรียกว่า การรับรู้ทางสังคม (Social
sensing) (Liu et al., 2015)
อุปกรณ์ที่บุคคลพกพาติดตัวไม่เพียงแต่บอกเล่าพฤติกรรมการเคลื่อนที่ของพวกเขาเท่านั้น
แต่ยังทำหน้าที่เป็นเสมือนเซนเซอร์ที่ฝังตัวและเคลื่อนที่ไปพร้อมกับสิ่งแวดล้อมของมนุษย์
อุปกรณ์เคลื่อนที่ถือเป็นคอมพิวเตอร์ส่วนบุคคลที่มีเอกลักษณ์เฉพาะตัว
เนื่องจากโดยปกติแล้วจะเชื่อมโยงกับบุคคลเพียงคนเดียว
และเรามักพกพาติดตัวไปในการปฏิบัติภารกิจประจำวัน นอกจากนี้
เรายังใช้เครื่องมือเหล่านี้ในการจัดเก็บข้อมูลส่วนบุคคลและเชื่อมต่อทางสังคมกับผู้อื่นอีกด้วย
แม้ว่าในบางกรณีข้อมูลการเคลื่อนที่จะถูกจัดเก็บอย่างชัดเจนเพื่อวัตถุประสงค์ในการวิจัยโดยเฉพาะ แต่โดยส่วนใหญ่แล้ว ข้อมูลการรับรู้ทางสังคมมักเป็นผลพลอยได้ (By-product) จากแอปพลิเคชันที่สร้างขึ้นเพื่อวัตถุประสงค์อื่นโดยสิ้นเชิง การวิเคราะห์ทางภูมิศาสตร์ใด ๆ จากข้อมูลประเภทนี้จำเป็นต้องพิจารณาถึงจริยธรรมในการใช้งานอย่างจริงจัง รวมถึงความเข้าใจอย่างลึกซึ้งต่อประชากรพื้นฐานที่เป็นผู้สร้างข้อมูล หากเราต้องการคาดการณ์สิ่งใดเกี่ยวกับสังคมหรือวัฒนธรรมของมนุษย์จากข้อมูลนี้ เราจำเป็นต้องพิจารณาอย่างรอบคอบว่าข้อมูลถูกจัดเก็บอย่างไร และต้องนำผลลัพธ์ที่ได้มาพิจารณาบริบทภายใต้ทฤษฎีทางภูมิศาสตร์และสังคมวิทยาอื่น ๆ นอกจากนี้ เนื่องจากข้อมูลการเคลื่อนที่อาจถูกจัดเก็บผ่านระบบที่เป็นกรรมสิทธิ์ซึ่งขาดความโปร่งใส (Opaque, proprietary systems) จึงต้องใช้ความระมัดระวังในการตีความ ศิลปินนามว่า ไซมอน เว็คเคิร์ต (Simon Weckert) ได้แสดงให้เห็นเรื่องนี้อย่างน่าขบขัน เมื่อเขาทำให้กูเกิลแมปส์ (Google Maps) แสดงสถานะการจราจรติดขัดบนถนนในกรุงเบอร์ลิน (Berlin) เพียงแค่การนำสมาร์ทโฟน 99 เครื่องใส่รถเข็นแล้วลากไปตามถนน (ภาพที่ 66.2)
ภาพที่ 66.2 ภาพหน้าจอจากวิดีโอ
"Google
Maps Hacks" แสดงศิลปินขณะกำลังเดินลากรถเข็นที่บรรจุสมาร์ทโฟนไปตามถนน
และผลลัพธ์ที่ปรากฏเป็น "การจราจรติดขัด" บนกูเกิลแมปส์
ที่มา: วิดีโอ Google Maps Hacks ของ Simon Weckert, รับชมได้ที่ https://www.simonweckert.com/googlemapshacks.html
อุปกรณ์ต่าง ๆ
เช่น โทรศัพท์เคลื่อนที่ ซึ่งมีตัวรับสัญญาณระบบระบุตำแหน่งบนโลก (Global
Positioning System - GPS) และเซนเซอร์ไร้สายที่ระบุตำแหน่งของบุคคลในเชิงพื้นที่
ได้กลายเป็นสิ่งสามัญและสามารถมอบข้อมูลเชิงสังเกตการณ์เกี่ยวกับการเคลื่อนที่ของมนุษย์ผ่านสภาพแวดล้อม
ข้อมูลการเคลื่อนที่ประกอบด้วยสัญญาณ ปริภูมิ-กาล (Spatio-temporal
signals) ซึ่งเราสามารถดึงข้อมูลเกี่ยวกับกระบวนการทางภูมิศาสตร์มนุษย์ได้มากมาย
(Dodge et al., 2016) เมื่อเราจัดเก็บข้อมูลนี้
มันสามารถนำไปใช้ในการวิเคราะห์พฤติกรรมในอดีต รวมถึงใช้เป็นข้อมูลตั้งต้นสำหรับการจำลองสถานการณ์
(Simulations) ที่ช่วยให้เราอนุมานสิ่งที่จะเกิดขึ้นในอนาคต
มีสาขาวิชามากมายที่ข้อมูลการเคลื่อนที่ถือว่ามีประโยชน์
รวมถึงการศึกษาด้านการขนส่ง, ระบาดวิทยา (Epidemiology),
ความเสี่ยงและการตอบโต้ภัยพิบัติ
และการทำความเข้าใจความคล่องตัวของมนุษย์ (Human mobility)
เมื่อมีการจัดเก็บข้อมูลตำแหน่งที่ตั้งอย่างต่อเนื่องตามเวลา
ข้อมูลจะกลายเป็นชุดของจุดที่สามารถเชื่อมโยงกันเป็น เส้นทางโคจร (Trajectories) โดยแต่ละเส้นทางโคจรแทนการเคลื่อนที่ของวัตถุผ่านปริภูมิในช่วงเวลาหนึ่ง
เมื่อเส้นทางโคจรมาตัดกับจุดสนใจหรือตัดกับเส้นทางโคจรอื่น ๆ
มักจะแสดงถึงเหตุการณ์ที่มีความหมายต่อการวิเคราะห์ การติดตามผู้สัมผัส (Contact
tracing) ในช่วงการแพร่ระบาดของโควิด-19 (COVID-19)
เป็นตัวอย่างที่เด่นชัดว่าการวิเคราะห์ข้อมูลเส้นทางโคจรสามารถช่วยแก้ปัญหาสังคมได้อย่างไร
เนื่องจากผู้คนจำนวนมากพกพาโทรศัพท์เคลื่อนที่ตลอดทั้งวัน
เราจึงสามารถจัดเก็บข้อมูลการเคลื่อนที่ผ่านสภาพแวดล้อมและระบุได้ว่ามีการสัมผัสใกล้ชิดเกิดขึ้นเมื่อใดซึ่งอาจเป็นการแพร่กระจายของไวรัส
(McKenzie and Adams, 2020)
นอกจากนี้ยังใช้เพื่อทำความเข้าใจว่าการสื่อสารนโยบายทางสังคมมีอิทธิพลต่อพฤติกรรมการเคลื่อนที่ได้ดีเพียงใด
การประยุกต์ใช้ข้อมูลการเคลื่อนที่ในทางระบาดวิทยาไม่ได้จำกัดอยู่เพียงแค่การปฏิสัมพันธ์ของมนุษย์
ข้อมูลการเคลื่อนที่ยังสามารถรวมเข้ากับเซนเซอร์อื่น ๆ ได้ เช่น
เซนเซอร์ทางสรีรวิทยาที่วัดข้อมูลด้านสุขภาพ หรือเซนเซอร์สิ่งแวดล้อมที่ตรวจจับมลพิษ
เมื่อนำมาผสมผสานกับข้อมูลจากเซนเซอร์อื่น ๆ
ข้อมูลการเคลื่อนที่จะมอบแนวทางใหม่ในการทำความเข้าใจว่าสุขภาพ พฤติกรรม
และการสัมผัสกับสิ่งแวดล้อมของแต่ละบุคคลมีความสัมพันธ์กันอย่างไร
ภูมิศาสตร์กาลเวลา
(Time
geography) เป็นวิธีการวิเคราะห์เพื่ออธิบายเส้นทางโคจรที่เป็นไปได้ซึ่งบุคคลหนึ่งสามารถเลือกใช้ได้ภายในกรอบเวลาและพื้นที่ทางภูมิศาสตร์ที่กำหนด
(Hagerstrand, 1970) ตัวอย่างเช่น
มีร้านขายของชำจำนวนจำกัดที่บุคคลหนึ่งสามารถไปถึงได้ภายใน 20
นาทีของการเดินทางจากบ้าน
คำตอบที่แน่นอนไม่เพียงขึ้นอยู่กับโครงข่ายถนนหรือการขนส่งเท่านั้น
แต่ยังขึ้นอยู่กับวันในสัปดาห์ ช่วงเวลาของวัน และการเคลื่อนที่ของคนอื่น ๆ
ในพื้นที่เดียวกัน แม้ว่าภูมิศาสตร์กาลเวลาจะไม่ใช่วิธีการใหม่ (ดูบทที่ 4)
แต่ข้อมูลขนาดใหญ่เกี่ยวกับการเคลื่อนที่ของมนุษย์ช่วยให้เราสามารถประยุกต์ใช้วิธีการของภูมิศาสตร์กาลเวลาในรูปแบบใหม่เพื่อวิเคราะห์โครงข่ายการขนส่งแบบพลวัต
(Dynamic) และจำลองสถานการณ์สมมติที่หลากหลาย ตัวอย่างเช่น
นักผังเมืองได้เสนอแนวคิด "เมือง 15 นาที" (15-minute cities) ซึ่งเป็นสภาพแวดล้อมทางกายภาพที่ผู้คนควรจะเข้าถึงความต้องการพื้นฐานได้ภายในระยะเวลาปั่นจักรยาน
15 นาที (หรือเวลาและรูปแบบการขนส่งอื่น ๆ ที่กำหนด หรือที่เรียกว่าเมือง "x
นาที")
แนวคิดดังกล่าวมีจุดมุ่งหมายเพื่อสนับสนุนการขนส่งคาร์บอนต่ำ (การเดิน, การปั่นจักรยาน) สำหรับประชากรส่วนใหญ่ที่อาศัยอยู่ที่นั่น (Logan
et al., 2022)
ข้อมูลขนาดใหญ่ด้านการเคลื่อนที่สามารถนำมาใช้ทดสอบเชิงประจักษ์ว่าวิธีการขนส่งต่าง
ๆ จะใช้เวลานานเท่าใดภายใต้เงื่อนไขหรือการพัฒนาในอนาคตที่แตกต่างกัน
เพื่อดูว่าเป้าหมายดังกล่าวจะสำเร็จได้หรือไม่
ในทางกลับกัน
ประโยชน์มหาศาลที่ได้รับจากข้อมูลการเคลื่อนที่ก็นำมาซึ่งปัญหาที่แท้จริงเกี่ยวกับความเป็นส่วนตัว
ข้อมูลที่อิงกับตำแหน่งที่ตั้ง (Location-based data) เป็นหนึ่งในประเภทข้อมูลส่วนบุคคลที่ละเอียดอ่อนที่สุดเท่าที่สามารถจัดเก็บได้
(Keßler and McKenzie, 2018)
สาเหตุเพราะมันไม่เพียงบอกว่าคนคนนั้นอยู่ที่ไหน แต่ยังบอกได้ว่าเขาอาศัยอยู่ที่ใด
ทำงานที่ไหน ทำกิจกรรมอะไร มีปฏิสัมพันธ์กับใคร และอื่น ๆ อีกมากมาย
ยิ่งไปกว่านั้น เนื่องจากพฤติกรรมการเคลื่อนที่ของมนุษย์มักมีรูปแบบที่ชัดเจนมาก
เราไม่ได้สุ่มไปในสถานที่ต่าง ๆ ทุกวัน
ดังนั้นแม้จะมีข้อมูลตำแหน่งเพียงเล็กน้อยก็สามารถเปิดเผยข้อมูลส่วนบุคคลจำนวนมากได้อย่างรวดเร็ว
มีการศึกษาวิจัยจำนวนมากแสดงให้เห็นว่าข้อมูลการเคลื่อนที่ที่ถูกทำให้เป็นนิรนาม (Anonymised)
อย่างสมบูรณ์ สามารถถูกระบุตัวตนกลับมาได้โดยง่าย (De-anonymised)
เมื่อนำไปรวมกับแหล่งข้อมูลอื่น เช่น ทะเบียนการถือครองบ้านสาธารณะ
(Gambs et al., 2014)
ปริมาณข้อมูลตำแหน่งมหาศาลที่ถูกจัดเก็บผ่านอุปกรณ์เคลื่อนที่ในลักษณะที่ขาดการควบคุมนั้นถือว่าน่าตกใจอย่างยิ่ง
ในปี ค.ศ. 2019 หนังสือพิมพ์นิวยอร์กไทมส์ (The New York Times) ได้ตีแผ่ชุดข้อมูลที่มีการส่งสัญญาณตำแหน่งถึง 5 หมื่นล้านครั้ง
ซึ่งแม้จะเป็นข้อมูลนิรนาม
แต่กลับเผยให้เห็นการติดตามบุคคลบนถนนเกือบทุกสายในสหรัฐอเมริกา (Thompson
and Warzel, 2019)
พวกเขาพบว่ามันเป็นเรื่องง่ายที่จะระบุการเคลื่อนที่ทั้งหมดของบุคคลสำคัญโดยอาศัยข้อมูลสาธารณะเพิ่มเติมเพียงเล็กน้อย
ในสภาวะที่ขาดกฎระเบียบ
นักวิจัยที่ต้องการแบ่งปันข้อมูลตำแหน่งจำเป็นต้องตระหนักถึงความเป็นไปได้ในการนำข้อมูลตำแหน่งไปใช้ในทางที่ผิด
แม้ว่าข้อมูลนั้นจะเป็นข้อมูลนิรนามก็ตาม
นอกเหนือจากประเด็นความเป็นส่วนตัวแล้ว
ยังมีประเด็นเรื่องการยินยอม (Consent) เมื่อใช้ข้อมูลการเคลื่อนที่สำหรับการวิจัยภูมิศาสตร์มนุษย์
ดังที่กล่าวไปแล้วว่าบริษัทโทรคมนาคมจัดเก็บข้อมูลอิงตำแหน่งที่ตั้งจำนวนมหาศาล
มันเป็นไปได้ที่จะซื้อข้อมูลการเคลื่อนที่จากบริษัทเหล่านี้ซึ่งพวกเขาจัดเก็บภายใต้ข้อกำหนดการใช้งาน
แต่ในขณะที่บริษัทเอกชนเหล่านี้อาจมีสิทธิ์ทางกฎหมายในการจัดเก็บข้อมูล
แต่นักวิจัยก็มีหน้าที่ต้องใช้มาตรฐานที่สูงกว่าในการขอความยินยอมโดยชัดแจ้ง
ตัวอย่างที่ดีเยี่ยมในการสร้างความมั่นใจเรื่องการยินยอมที่ได้รับข้อมูลครบถ้วน (Informed
consent) สำหรับการศึกษาข้อมูลการเคลื่อนที่ คือการศึกษาของ Kreuter
และคณะ (2020)
ซึ่งอธิบายกระบวนการขอความยินยอมอย่างละเอียดในงานวิจัยที่จัดเก็บข้อมูลสมาร์ทโฟนโดยไม่รู้ตัวเพื่อตรวจสอบผลกระทบระยะยาวของการว่างงานต่อกิจกรรมทางสังคม
พวกเขาแสดงให้เห็นว่าการมีส่วนร่วมในการศึกษาเช่นนี้สามารถเกิดขึ้นได้จริง
แม้จะมีการจัดเก็บข้อมูลตำแหน่งที่ละเอียดมาก
รวมถึงการปฏิสัมพันธ์บนสื่อสังคมออนไลน์ก็ตาม
- การกำเนิดของอุปกรณ์เคลื่อนที่ส่วนบุคคลนำไปสู่การจัดเก็บข้อมูลที่มีความละเอียดสูงเกี่ยวกับการเคลื่อนที่ของมนุษย์ผ่านสภาพแวดล้อม ข้อมูลนี้มีประโยชน์อย่างมากในการสังเกตสังคมมนุษย์ แต่ขณะเดียวกันก็นำมาซึ่งคำถามมากมายเกี่ยวกับจริยธรรมในการใช้ข้อมูลเพื่อการวิจัยและความเป็นส่วนตัวของผู้ใช้
การใช้ "ข้อมูลที่ไม่มีโครงสร้าง" เพื่อเรียนรู้เกี่ยวกับสถานที่
นอกเหนือจากข้อมูลการเคลื่อนที่แล้ว
ผู้คนกำลังสร้างข้อมูลเกี่ยวกับประสบการณ์ต่อสถานที่มากขึ้นกว่าที่เคย
เราถ่ายภาพและใส่คำบรรยายประกอบความประทับใจ
เราเขียนบล็อกท่องเที่ยวเกี่ยวกับสถานที่ที่ไปเยือน
เราตอบสนองต่อเหตุการณ์ปัจจุบันบนสื่อสังคมออนไลน์ และอื่น ๆ
สิ่งนี้มักถูกเรียกว่า ข้อมูลที่ไม่มีโครงสร้าง (Unstructured data) เนื่องจากไม่ได้เป็นเหมือนข้อมูล GIS ที่ถูกจัดเก็บในรูปแบบเฉพาะสำหรับการวิเคราะห์เชิงพื้นที่
แต่เป็นข้อมูลที่มีจุดประสงค์เพื่อให้มนุษย์ด้วยกันบริโภค
ข้อมูลนี้ฝังตัวอยู่ในพื้นที่และเวลา และเป็นตัวแทนของประสบการณ์ที่ผ่านการคัดกรองผ่านสายตาของแต่ละบุคคล
ซึ่งอาจมอบมุมมองใหม่ ๆ เกี่ยวกับวิธีการที่ผู้คนสัมผัสกับสถานที่ในรูปแบบต่าง ๆ
ข้อมูลเหล่านี้กำลังถูกป้อนเข้าสู่เทคโนโลยีใหม่ ๆ
ที่เราใช้ในชีวิตประจำวันมากขึ้น เช่น โปรแกรมค้นหาที่ตอบคำถามได้ ซึ่งวิเคราะห์ข้อมูลโดยใช้อัลกอริทึมปัญญาประดิษฐ์ที่ซับซ้อน
เมื่อข้อมูลที่ไม่มีโครงสร้างมาในรูปแบบของตัวอักษรหรือภาษาพูด
มักจะเรียกว่า ข้อมูลภาษาธรรมชาติ (Natural language data) ข้อมูลที่ไม่มีโครงสร้างประเภทอื่นที่บอกเล่าเกี่ยวกับสถานที่คือภาพถ่ายและวิดีโอ
บ่อยครั้งที่ข้อความภาษาธรรมชาติถูกรวมเข้ากับภาพ เช่น ในโพสต์บนสื่อสังคมออนไลน์
ข้อมูลที่ไม่มีโครงสร้างสามารถถูกตีความว่าเป็นข้อมูลทางภูมิศาสตร์ได้หลายวิธี
ประการแรก อาจมีข้อมูลเมทาดาตาทางภูมิศาสตร์ (Geographic metadata) เชื่อมโยงกับข้อมูลนั้น เช่น
เมื่อเราถ่ายภาพและบันทึกข้อมูลตำแหน่งที่ถ่ายภาพไว้ หรือเราโพสต์ข้อความบนสื่อสังคมออนไลน์และมีการระบุชื่อสถานที่
(Tagged) ในกรณีนั้นจะมีความสัมพันธ์ระหว่างเนื้อหากับตำแหน่งทางภูมิศาสตร์ตำแหน่งเดียว
ในกรณีอื่น แง่มุมทางภูมิศาสตร์อาจเป็นส่วนหนึ่งของเนื้อหาข้อมูล เช่น
บทความในหนังสือพิมพ์อาจอ้างถึงสถานที่ที่มีชื่อเรียกหลายแห่ง เช่น เมืองต่าง ๆ
ในกรณีนั้น ความสัมพันธ์จะอยู่ระหว่างสถานที่ที่ถูกระบุถึงกับข้อความที่อยู่รายล้อม
นอกจากนี้ยังสามารถมีข้อมูลเกี่ยวกับความสัมพันธ์ระหว่างสถานที่ได้อีกด้วย
การวิเคราะห์ข้อมูลที่ไม่มีโครงสร้างก้าวหน้าไปอย่างมากในช่วงไม่กี่ปีที่ผ่านมาด้วยการประดิษฐ์วิธีการใหม่
ๆ ในด้านปัญญาประดิษฐ์ ซึ่งทำงานได้ดีที่สุดเมื่อใช้กับข้อมูลจำนวนมหาศาล
การประมวลผลภาษาธรรมชาติ (Natural
Language Processing - NLP) หมายถึงเครื่องมือและวิธีการที่หลากหลายซึ่งช่วยให้เราค้นพบรูปแบบและแจกแจงข้อมูลจากข้อความเขียน
ตัวอย่างหนึ่งของการประมวลผลภาษาธรรมชาติคือ การวิเคราะห์อารมณ์ความรู้สึก (Sentiment
analysis) ซึ่งจำแนกข้อความตามเนื้อหาทางอารมณ์ เช่น
ความรู้สึกเชิงบวกหรือเชิงลบ เมื่อนำมาประยุกต์ใช้กับข้อมูลขนาดใหญ่ทางภูมิศาสตร์
สิ่งนี้สามารถบอกเราเกี่ยวกับแนวโน้มความรู้สึกในวงกว้างในชุดข้อมูลเกี่ยวกับสถานที่หรือเหตุการณ์ต่าง
ๆ การวิเคราะห์อีกประเภทหนึ่งคือ การสร้างแบบจำลองหัวข้อ (Topic modelling)
ซึ่งสามารถบอกเราได้ว่าผู้คนเขียนเกี่ยวกับหัวข้อประเภทใดในสถานที่หรือช่วงเวลาที่แตกต่างกัน
ตัวอย่างเช่น
อุตสาหกรรมการท่องเที่ยวสามารถดูข้อมูลสื่อสังคมออนไลน์แบบทันการณ์เพื่อวิเคราะห์การรับรู้ที่มีต่อสถานที่หนึ่ง
ๆ ได้
คลังข้อความ (Corpus) คือการรวบรวมข้อความขนาดใหญ่มากที่เราสามารถวิเคราะห์ทางสถิติเพื่อหารูปแบบ
ซึ่งสามารถช่วยงานวิจัยพื้นฐานด้านภูมิศาสตร์และภาษา
และยังช่วยให้เราสร้างเครื่องมือประเภทใหม่เพื่อสำรวจความรู้ทางภูมิศาสตร์
งานวิจัยด้านภาษาศาสตร์เกี่ยวกับภาษาถิ่นและการใช้ภาษาในพื้นที่ทางภูมิศาสตร์ดั้งเดิมนั้นอาศัยชุดข้อมูลการสำรวจขนาดเล็ก
ซึ่งมักเน้นที่ภาษาเดียว อย่างไรก็ตาม
ในปัจจุบันมีคลังข้อความหลายภาษาจำนวนมากที่สร้างขึ้นโดยใช้ข้อมูลเว็บ (เช่น
จากทวิตเตอร์) ซึ่งประกอบด้วยคำนับพันล้านคำ ข้อมูลนี้มอบมุมมองใหม่เกี่ยวกับความแปรผันทางภูมิศาสตร์และการเปลี่ยนแปลงในการใช้ภาษาประจำวัน
และช่วยให้นักวิจัยด้านภาษาศาสตร์สามารถตั้งคำถามใหม่และทดสอบทฤษฎีที่มีอยู่ได้
ตัวอย่างหนึ่งของการประยุกต์ใช้ที่ใช้วิธีการทางสถิติกับข้อมูลเว็บเพื่อสำรวจความรู้ทางภูมิศาสตร์คือเว็บไซต์ แฟรงเกนเพลซ (Frankenplace) ดังแสดงในภาพที่ 66.3 (Adams et al., 2015) ระบบ Frankenplace นำบทความกว่า 5 ล้านบทความจากชุดข้อมูลวิกิพีเดียภาษาอังกฤษ บวกกับบันทึกการท่องเที่ยวหลายแสนรายการจากทั่วโลก และใช้การประมวลผลภาษาธรรมชาติเพื่อดึงชื่อสถานที่หลายพันแห่งจากทั่วโลกเพื่อสร้างดัชนีการค้นหาทางภูมิศาสตร์สำหรับบทความ ผลลัพธ์ที่ได้คือเครื่องมือเชิงโต้ตอบที่ช่วยให้ผู้คนสำรวจความสัมพันธ์ระหว่างสถานที่และหัวข้อต่าง ๆ เช่นเดียวกับการวิเคราะห์ข้อมูลขนาดใหญ่ใด ๆ ผลลัพธ์ที่แสดงบนเว็บไซต์ Frankenplace อาจบอกเราเกี่ยวกับอคติ (Bias) ในวิกิพีเดียเวอร์ชันภาษาอังกฤษได้มากพอ ๆ กับที่บอกเกี่ยวกับสถานที่หรือหัวข้อเฉพาะเจาะจง
ภาพที่
66.3ภาพหน้าจอผลการค้นหาคำสำคัญ "colony" (อาณานิคม)
บนเว็บไซต์ Frankenplace ผู้ใช้ได้คลิกเลือกตำแหน่งในประเทศนิวซีแลนด์
(New Zealand) ซึ่งแสดงผลลัพธ์เกี่ยวกับสนธิสัญญาไวทังกิ (Treaty
of Waitangi), บริษัทนิวซีแลนด์ (New Zealand Company) และอื่น ๆ
ที่มา: Adams et al., 2015
สาขาหนึ่งที่กำลังเติบโตสำหรับการประยุกต์ใช้ปัญญาประดิษฐ์กับข้อมูลทางภูมิศาสตร์ที่ไม่มีโครงสร้างคือ ระบบตอบคำถามทางภูมิศาสตร์ (Geographic question-answering systems) ผู้ช่วยดิจิทัล (เช่น Siri, Google Assistant, Copilot, Alexa) ที่ทำหน้าที่ตอบคำถาม กำลังถูกรวมเข้ากับหลายแง่มุมของชีวิตประจำวัน ตัวอย่างเช่น ผู้ช่วยดิจิทัลใช้ข้อมูลส่วนบุคคลและข้อมูลตำแหน่งเพื่อจัดบริบทของคำตอบให้แก่ผู้ใช้ในการหาร้านอาหารในท้องถิ่นตามความชอบส่วนบุคคล หรือเพื่อแนะนำสถานที่ที่อาจต้องการไปเยี่ยมชมระหว่างพักร้อน ระบบเหล่านี้ทั้งหมดพึ่งพาข้อมูลขนาดใหญ่ในการฝึกฝน และอัลกอริทึมที่ใช้มีความซับซ้อนและไม่โปร่งใส ในแง่หนึ่ง ข้อมูลที่มากขึ้นนั้นดีกว่าเพราะช่วยให้ระบบสร้างแบบจำลองที่แข็งแกร่งและทำงานได้ในสถานการณ์ที่หลากหลาย แต่ข้อมูลที่ดีนั้นสำคัญยิ่งกว่า (Bender et al., 2021) หากสร้างขึ้นบนข้อมูลเว็บที่ไม่ได้ผ่านการกรองจำนวนมหาศาล ย่อมหลีกเลี่ยงไม่ได้ที่แบบจำลองปัญญาประดิษฐ์จะซึมซับความสัมพันธ์ทางสถิติซึ่งสะท้อนถึงอคติของมนุษย์ในภาษา รวมถึงการนำเสนอข้อมูลที่ไม่เท่าเทียมกันในข้อมูลพื้นฐาน ตัวอย่างหนึ่งคือปริมาณข้อมูลภาษาอังกฤษออนไลน์นั้นมีมากกว่าภาษาอื่น ๆ ทั้งหมดอย่างมหาศาล ซึ่งอาจนำไปสู่อคติทางวัฒนธรรมที่รุนแรง เมื่อเรามอบหมายการตัดสินใจให้คอมพิวเตอร์มากขึ้นเรื่อย ๆ ความท้าทายที่ต่อเนื่องคือการทำให้มั่นใจว่าระบบเหล่านี้ได้รับข้อมูลจากภูมิศาสตร์มนุษย์ ท้ายที่สุด ยิ่งผู้ช่วยดิจิทัลและปัญญาประดิษฐ์เข้ามาฝังตัวในชีวิตประจำวันของเรามากเท่าไหร่ พวกมันก็จะยิ่งส่งผลกระทบต่อพฤติกรรมของมนุษย์มากขึ้นเท่านั้น ดังนั้นจะเกิดวงจรป้อนกลับ (Feedback loop) ที่ข้อมูลขนาดใหญ่ซึ่งเราสร้างขึ้นผ่านพฤติกรรมของเรา จะกลับมามีอิทธิพลต่อพฤติกรรมของเราเอง นี่จึงยังคงเป็นขอบเขตที่เปิดกว้างสำหรับการวิจัยทางภูมิศาสตร์มนุษย์
สรุปย่อ
- ข้อมูลขนาดใหญ่ทางภูมิศาสตร์ในปัจจุบันไม่ได้จำกัดอยู่แค่ข้อมูลที่อ้างอิงเชิงพื้นที่แบบดั้งเดิม เช่น แผนที่ แต่ยังรวมถึงข้อมูลที่ไม่มีโครงสร้าง เช่น ข้อความเขียนและภาพถ่าย ที่ผู้คนแบ่งปันบนเว็บเกี่ยวกับสถานที่ ข้อมูลนี้ช่วยให้มองเห็นประสบการณ์ส่วนบุคคลที่หลากหลาย
สรุปท้ายบท
ในเกือบทุกสาขา
เรากำลังสร้างข้อมูลในปริมาณที่มากขึ้น ด้วยความเร็วที่สูงขึ้น
และในรูปแบบที่หลากหลายกว่าที่เคยเป็นมา และสิ่งนี้รวมถึงภูมิศาสตร์มนุษย์ด้วย
สำหรับภูมิศาสตร์มนุษย์
การเปลี่ยนแปลงที่ใหญ่ที่สุดบางประการในช่วงไม่กี่ปีที่ผ่านมาเกิดจากวิธีการจัดเก็บข้อมูลใหม่
ๆ รวมถึงการระดมทรัพยากรจากอาสาสมัคร อุปกรณ์เคลื่อนที่ประเภทใหม่ ๆ
และข้อมูลเว็บออนไลน์ โดยเฉพาะสื่อสังคมออนไลน์ เมื่อรวมกันแล้ว
ชุดข้อมูลใหม่เหล่านี้มอบโอกาสใหม่มากมายในการวิเคราะห์กระบวนการทางภูมิศาสตร์มนุษย์ในรายละเอียดที่ละเอียดกว่าที่เคยเป็นมา
แม้ว่าชุดข้อมูลเหล่านี้จะมีคุณค่ามหาศาล
แต่สิ่งสำคัญคือต้องพิจารณาว่าข้อมูลถูกสร้างขึ้นอย่างไร
และตรวจสอบสมมติฐานของเราเกี่ยวกับประชากรที่เป็นผู้สร้างข้อมูลนั้น ดังนั้น
การวิเคราะห์ข้อมูลขนาดใหญ่ที่มีประสิทธิภาพในภูมิศาสตร์มนุษย์คือการวิเคราะห์อย่างระมัดระวัง
ซึ่งตามอุดมคติแล้วควรได้รับข้อมูลและสนับสนุนโดยทฤษฎีที่เกี่ยวข้องดังที่ปรากฏในส่วนอื่น
ๆ ของหนังสือเล่มนี้
ไม่มีความคิดเห็น:
แสดงความคิดเห็น