Social Media Data for Population Mapping: A Bayesian Approach to Address Representativeness and Privacy Challenges

Technische Samenvatting: Sociale Media Data voor Populatiekaarten: Een Bayesiaanse Benadering om Problemen met Representativiteit en Privacy aan te Pakken

Probleemstelling
Nauwkeurige en tijdige populatiedata zijn cruciaal voor rampenbestrijding en humanitaire planning, maar traditionele censusdata slagen er vaak niet in om snelle demografische veranderingen of kortstondige ruimtelijke mobiliteit vast te leggen. Hoewel sociale media-data (specifiek Facebook-gebruikersaantallen) een veelbelovend alternatief bieden voor dynamische populatiebewaking, wordt het nut ervan beperkt door twee primaire uitdagingen:

1. Representativiteit: Sociale media-gebruikers vormen een scheve subset van de totale populatie, en de relatie tussen geobserveerde gebruikersaantallen en werkelijke populatiestatistieken varieert aanzienlijk over verschillende socio-economische en geografische contexten.
2. Privacy-geïnduceerde ontbrekende gegevens: Om de privacy van gebruikers te beschermen, past Meta (Facebook) technieken voor differentiële privacy toe die data met lage aantallen censureren. Specifiek worden gebruikersaantallen onder een drempelwaarde (10 gebruikers) gemaskeerd of gecensureerd. De auteurs stellen vast dat deze censuur disproportioneel effect heeft op gebieden met een lage populatie en landelijke gebieden, wat leidt tot significante datagaten (ongeveer 1,7% van de gemeenten hebben geen aantallen, en >6,6% hebben >80% ontbrekende tegels/tiles) en een bias introduceert die standaardelastische gladstrijkings- of interpolatiemethoden niet kunnen adresseren.

Methodologie
De studie maakt gebruik van een Bayesiaans kader om deze uitdagingen aan te pakken, waarbij de Filipijnen als casestudy dienen, waarbij gebruik wordt gemaakt van de censusgegevens van 2020 en Facebook-gebruikersaantallen van 4 mei 2020 (geselecteerd om aan te sluiten bij de censusreferentiedata tijdens de COVID-19 lockdowns). De workflow bestaat uit drie hoofdfasen:

1. Bayesiaanse Imputatie voor Gecensureerde Data:
   Om ontbrekende waarden te herstellen die worden veroorzaakt door privacy-censuur, ontwikkelen de auteurs een hiërarchisch Bayesiaans Poisson-telmodel. In tegen tegenstelling tot eenvoudige imputatiemethoden, behandelt deze benadering ontbrekende waarden als informatief in plaats van arbitrair. Het model maakt gebruik van de volledige verdeling van gebruikersaantallen over de tijd (maart–december 2020) voor elke tegel. Het onderscheidt geobserveerde aantallen van gecensureerde aantallen (die onder de drempelwaarde van 10 liggen) met behulp van een likelihoodfunctie die de Poisson cumulatieve distributiefunctie voor gecensureerde observaties incorporeert. Tegels met uitsluitend gecensureerde waarden worden gegroepeerd op basis van hun frequentie van verschijning in de dataset om een gedeelde verdeling af te leiden, wat de herstel van ontbrekende aantallen in landelijke gebieden mogelijk maakt.

2. Statistische Modellering van Gebruikersproporties:
   Met behulp van de geïmputeerde data modelleren de auteurs de proportie Facebook-gebruikers in elke gemeente (Bayan) als een functie van verschillende voorspellers:

• Graad van Verstedelijking (DUC): gecategoriseerd als Landelijk, Peri-stedelijk en Stedelijk.
• Proportie van de werkende bevolking (15–65 jaar).
• Intensiteit van nachtelijk licht (satellietradiantie).
  (Opmerking: Netwerkgebruiks-dichtheid werd geanalyseerd maar uitgesloten van de uiteindelijke modellen vanwege hoge collineariteit met andere voorspellers en datasparsiteit).

Er werden drie modelvarianten ontwikkeld en vergeleken:

• $\mathbf{M_{bin}}$: Een hiërarchisch binomiaal model.
• $\mathbf{M_{betabin}}$: Een bèta-binomiale regressie die een overdispersieparameter ($\rho$) introduceert om variantie te verklaren die de binomiale assumptie overschrijdt.
• $\mathbf{M_{full}}$: Het volledige model dat de overdispersie van $M_{betabin}$ incorporeert plus een ruimtelijk expliciet component met behulp van Hilbert-ruimte benaderende Gaussische Processen (HSGPs) om ruimtelijke correlaties tussen naburige administratieve gebieden te vangen die niet door de voorspellers worden verklaard.

3. Validatie:
   De modellen werden getraind op 80% van de administratieve gebieden (gestratificeerd per DUC) en getest op de resterende 20%. Prestaties werden geëvalueerd met behulp van Absolute Error of the Median (AEMed), Squared Error of the Mean (SEMean) en de Continuous Ranked Probability Score (CRPS).

Belangrijkste Resultaten

• Effectiviteit van Imputatie: De Bayesiaanse imputatie-aanpak slaagde erin de datadekking te herstellen voor 5,5% van de landelijke gemeenten (323 Bayans) die voorheen geen gebruikersaantallen hadden. Dit proces corrigeerde de bias waarbij gebieden met een lage dichtheid systematisch ondervertegenwoordigd waren.
• Modelprestaties: Het volledige model ($M_{full}$), dat zowel rekening houdt met overdispersie als ruimtelijke correlatie, vertoonde de beste generaliseerbaarheid.
  • Stedelijke gebieden: Bereikten een AEMed van ~24% en een CRPS van ~18%.
  • Landelijke gebieden: Bereikten een AEMed van ~39% en een CRPS van ~27%.
  • De inclusie van overdispersie en ruimtelijke componenten verbeterde de kalibratie van de betrouwbaarheidsintervallen aanzienlijk, met name voor landelijke gebieden waar de gebruikerspercentages laag zijn en de variantie hoog is.
• Relaties tussen Voorspellers: De analyse bevestigde dat hogere verstedelijking, een grotere werkende bevolking en een hogere intensiteit van nachtelijk licht positief geassocieerd zijn met Facebook-gebruikersproporties. Echter, in landelijke gebieden was een hogere populatiedichtheid geassocieerd met lagere gebruikersproporties, wat waarschijnlijk de sociaal-economische verschillen (armoede) in dichtbevolkte landelijke nederzettingen weerspiegelt.
• Ruimtelijke Correlatie: De ruimtelijke component in $M_{full}$ absorbeerde variabiliteit die eerder aan voorspellers werd toegeschreven, wat resulteerde in een lagere onzekerheid (standaarddeviatie) in de posterieure predictieve distributies.

Betekenis en Claims
Het artikel beweert een algemeen kader te bieden voor het omzetten van bevooroordeelde, privacy-gecensureerde sociale media-signalen naar betrouwbare, tijdige populatieschattingen. De belangrijkste bijdragen zijn:

1. Adresseren van Privacy-bias: Het modelleert expliciet het mechanisme van differentiële privacy-censuur in plaats het te negeren, en toont aan dat het negeren hiervan leidt tot de systematische uitsluiting van landelijke populaties.
2. Dynamische Schatting: De voorgestelde modellen maken regelmatige updates van populatievoorspellingen mogelijk naarmate nieuwe sociale media-data beschikbaar komen (elke 8 uur), wat een dynamisch complement biedt aan statische census-gebaseerde schattingen.
3. Humanitair Nut: Door aan te tonen dat het mogelijk is om populatiestatistieken op fijne ruimtelijke resoluties (gemeenteniveau) te schatten in een rampgevoelige regio zoals de Filipijnen, biedt dit werk een instrument voor een meer gerichte humanitaire respons.
4. Methodologische Rigor: De studie benadrukt de noodzaak om rekening te houden met overdispersie en ruimtelijke correlatie om nauwkeurige schattingen en passende onzekerheidsintervallen te verkrijgen, waarmee men verder gaat dan eenvoudige punt-schattingen.

De auteurs hanteren een bescheiden standpunt en erkennen dat de modellen afhankelijk zijn van specifieke aannames (bijv. stationariteit van gebruikersgedrag, de nauwkeurigheid van censusdata als grondwaarheid) en dat de benadering het meest toepasbaar is in regio's met een aanzienlijke adoptie van sociale media. Zij merken op dat hoewel de huidige modellen specifieke voorspellers gebruiken, het kader uitbreidbaar is om andere realtime databronnen te bevatten zodra deze beschikbaar komen.