Tourists' Spatial Perception of Traditional Villages Based on UGC Data: A Case Study of Heshun Ancient Town, China

Technische Samenvatting: Ruimtelijke Perceptie van Toeristen ten aanzien van Traditionele Dorpen op basis van UGC-data

Probleemstelling
Traditionele Chinese dorpen (TCV's) zijn vitale componenten van cultureel erfgoed en drijvers van regionale economische revitalisering. Echter, de snelle expansie van toerisme vormt een aanzienlijke bedreiging voor hun ruimtelijke patronen en culturele ecosystemen, wat leidt tot problemen zoals overmatige commercialisering, homogenisering van middelen en de vernietiging van traditionele ruimtes. Bestaande evaluatiesystemen leunen vaak op macro-niveau beleid, kwalitatieve analyses of statische vragenlijstgegevens. Deze traditionele methoden lijden onder hoge implementatiekosten, beperkte steekproefomvang, cognitieve vooroordelen en een gebrek aan georuimtelijke coördinaten, waardoor het moeilijk is om de werkelijke emotionele schommelingen en de aandachtverdeling van toeristen over specifieke fysieke ruimtes nauwkeurig te kwantificeren. Er is een dringende behoefheid aan een objectief, datagestuurd kader dat multi-brongegevens integreert om authentieke percepties van toeristen te vangen en deze te vertalen naar uitvoerbare strategieën voor ruimtelijke optimalisatie.

Methodologie
Deze studie construeert een kwantitatief analyseframework gebaseerd op multimodale User-Generated Content (UGC)-data, waarbij Heshun Ancient Town in Yunnan, China, als casestudy wordt gebruikt. De methodologie integreert tekstmining, visuele analyse en ruimtelijke mapping via de volgende stappen:

1. Data-acquisitie: Multimodale UGC-data (tekst en afbeeldingen) werden verzameld van Weibo en Xiaohongshu (januari 2021 – december 2025), wat resulteerde in 12.806 geldige tekst-beeld-samples en 17.684 gefilterde afbeeldingen. Point of Interest (POI)-data werden geëxtraheerd uit Amap, wat resulteerde in 1.496 ruimtelijke knooppunten die historische kenmerken, natuurlijke landschappen en toeristische diensten beslaan.
2. Lexicon Constructie: Hoogfrequente woorden uit UGC-teksten werden geëxtraheerd en semantisch samengevoegd om een "locatie-informatie woordenset" te creëren bestaande uit 30 kernelementen, waarmee een cognitieve baseline werd vastgesteld.
3. Sentiment Kwantificering: Het SnowNLP-algoritme werd ingezet om de tekstsentimentanalyse uit te voeren. Teksten die de locatie-lexicon bevatten, werden verwerkt om sentiment scores ($S_i$) te berekenen, gemapt naar een interval van [-1, 1]. Gemiddelde sentiment scores ($E_k$) werden berekend voor specifieke ruimtelijke knooppunten om emotionele tendensen te classificeren als positief, neutraal of negatief.
4. Visuele Voorkeuranalyse: Een cross-modaal pre-trained groot model, CLIP (Contrastive Language-Image Pre-training), werd gebruikt voor scèneclassificatie en labelanalyse.
   • Scèneclassificatie: Afbeeldingen werden gecategoriseerd in negen onderling uitsluitende scènes (bijv. Architectuur, Straten, Watersystemen) met behulp van prompt engineering en cosinus-gelijkenisberekeningen.
   • Kenmerkextractie: Voor bevestigde scènes voerde het model multi-label kenmerkredenering uit om primaire en secundaire visuele elementen te identificeren (bijv. "witte muren en zwarte tegels", "houten componenten"), waardoor ongestructureerde afbeeldingen werden getransformeerd naar gestructureerde feature-matrices.
5. Ruimtelijke Mapping en Visualisatie: UGC-afbeeldingen werden via gelijkenis-matching gekoppeld aan de corresponderende POI-knooppunten. Kernel Density Estimation (KDE) binnen het ArcGIS-platform werd toegepast op de POI-frequentiedata om heatmaps te genereren, waarmee de ruimtelijke distributiepatronen en de dichtheid van toeristische percepties werden gevisualiseerd.
6. Validatie: Een betrouwbaarheidsvalidatie werd uitgevoerd op 200 willekeurig geselecteerde beeld-samples, waarbij het CLIP-model een nauwkeurigheid van 87% behaalde in scèneclassificatie, wat de toepasbaarheid zonder domeinspecifieke fine-tuning bevestigt.

Belangrijkste Resultaten

• Perceptiethema's: De toeristische perceptie wordt gedomineerd door "Historisch Karakter" (48,51% van de visuele data), gevolgd door "Natuurlijk Landschap" en "Historische en Volkscultuur". Er is een structurele divergentie in "Toeristische Diensten en Consumptie": hoewel deze frequent voorkomen in tekst (hoge aandacht), zijn ze ondervertegenwoordigd in visuele data (lage registratie), wat wijst op een ontkoppeling tussen de ervaren perceptie en de visuele documentatie.
• Sentimentstructuur: Een kwadrantanalyse toonde aan dat elementen van "Historisch Karakter" en "Natuurlijk Landschap" in de "Voordeelzone" vallen (hoge frequentie, hoge tevredenheid). Daarentegen vallen commerciële diensten en basisinfrastructuur vaak in de "Verbeterzone" (hoge frequentie, lage tevredenheid) of de "Marginale Zone" (lage frequentie, lage tevredenheid).
• Ruimtelijke Distributie: De ruimtelijke perceptie volgt een logica van "één kern, meerdere knooppunten en verbindende corridors". Hoge-dichtheid perceptie is geconcentreerd in de noord-centrale kern (langs de Sanhe-rivier en het Qiaoguang-plein). Er bestaan significante "perceptuele blinde zones" in de perifere gebieden en langs secundaire routes, waar immateriële culturele knooppunten gemarginaliseerd worden door rigide circulatiestructuren.
• Visuele versus Emotionele Divergentie: Authentieke architecturale clusters en natuurlijke omgevingen vertonen een hoge visuele documentatie en positieve emotionele mapping. In tegen plaats vertonen symbolische commerciële knooppunten een hoge tekstuele aandacht maar een lage visuele registratiegraad en lagere sentiment scores, wat suggereert dat zij niet effectief integreren in het historische weefsel.

Betekenis en Bijdragen
Dit artikel stelt een op UGC gebaseerd analytisch framework voor dat de beperkingen van traditionele evaluatiemethoden aanpakt door de toeristische multidimensionale percepties objectief te kwantificeren. De primaire bijdragen zijn:

• Methodologische Innovatie: Het vestigt een technisch kader voor de cross-validatie van tekstuele sentimentmining met visuele kenmerkanalyse, waarbij digitale kenmerken direct worden gekoppeld aan fysieke POI-knooppunten.
• Empirisch Inzicht: De studie demonstreert empirisch dat authentieke ruimtes met originele morfologische kenmerken een robuuste "morfologische veerkracht" bezitten, die dient als de kernbasis voor plaatsgebondenheid. Het identificeert "perceptuele vallen" waar gehomogeniseerde commerciële interfaces de aandacht trekken maar er niet in slagen tevredenheid of ruimtelijke continuïteit te handhaven.
• Praktische Toepassing: Door "perceptuele blinde zones" en ruimtelijke mismatches te onthullen, biedt het framework een wetenschappelijke basis voor gerichte micro-updates, routeherstructurering en de preventie van overmatige commercialisering. Het stelt erfgoedbeheerders in staat om over te stappen van gehomogeniseerde ontwikkeling naar gedifferentieerde, precieze ruimtelijke interventies die erfgoedbehoud balanceren met ruimtelijke vitaliteit.

Beperkingen
De auteurs erkennen dat de studie steunt op data van buiten de stad komende toeristen die actief zijn op sociale media, wat potentieel de lokale bewoners, ouderen en kinderen ondervertegenwoordigt. Daarnaast kan de bevinding, als een single-case study van Heshun Ancient Town, een gebrek aan generaliseerbaarheid hebben naar verschillende typologieën van traditionele dorpen (bijv. bergachtig versus vlak land, residentieel versus commercieel). Toekomstig onderzoek wordt gesuggereerd om meer granulair typologische vergelijkingen en bredere demografische analyses te bevatten.