災害時におけるソーシャルメディアを用いた支援システム

Ｕ１１０６ 早稲田大学創造理工学部建築学科卒業論文 指導教授 渡辺仁史

災害時におけるソーシャルメディアを用いた支援システム A Support System for the Victim at the natural Disaster by using a Social Media

茂庭 竜太

Department of Architecture, School of Science and Engineering, Waseda University

目次 Index

災害時におけるソーシャルメディアを用いた支援システム

2

目次

目次 第０章 本研究の出発点

1

目次

2

第１章 背景

5

1.1 ソーシャルメディアに関して 1.1.1 ソーシャルメディア概要

6

1.1.2 リアルタイムとローカル

7

1.1.3 キュレーターの必要性

8

1.2 震災に関して 1.2.1 東日本大震災概要

9

1.2.2 支援活動の問題点

11

1.2.3 震災とソーシャルメディア

13

1.3 既往研究 1.3.1 ソーシャルメディアにおける既往研究

15

1.3.2 震災における既往研究

17

1.4 研究の方向性 1.4.1 今後の震災に備えたシステム

18

1.4.2 本研究の位置づけ

19

第 2 章 研究概要

20

2.1 研究目的

21

2.2 用語の説明

22

2.3 研究フロー

23

災害時におけるソーシャルメディアを用いた支援システム

3

目次

第 3 章 システム概要

24

3.1 システム目的

25

3.2 システムで利用したアプリケーション

26

3.3 システム仕様

27

3.3.1 データ収集

28

3.3.2 データ分析 / マッピング

29

3.3.3 テキストマイニング

30

第４章 調査

31

4.1 概要

32

4.2 単語選定

34

4.3 結果

36

4.4 分析

44

第５章 考察

47

5.1 本研究の問題点

48

5.2 公助への利用

49

5.3 共助への利用

50

まとめ

51

参考文献

52

終わりに

54

資料

55

災害時におけるソーシャルメディアを用いた支援システム

4

1. 研究背景

0. 本研究の出発点 注 1) 7 月 4 日にサービス終了

Google のリアルタイム検索注 1 によって、Twitter の東日本大震災当日の 3/11 正午から 3/12 朝までの 渋谷

新宿 など地名が入った Tweet 数の

分布を見ると ( 図 1） 、渋谷や新宿、六本木などの都心では 18:20 前後の終 業直後にピークがある。一方、ベットタウンである立川や船橋では 0 時前、 大宮では始発直後に数が増えている。 この分布を見て、地名の入った Tweet 数を追っていけば、帰宅困難者の 分布が時間ごとに可視化出来るのではないかと直感的に考えたことが本研 究の出発点である。 帰宅困難者に関する研究は長谷見研などの防災系研究室や国や自治体な 注 2) 「帰宅行動シミュレーション結 果に基づく トイレ需給等に関 する試算について」( 内閣府、 2008) 「首都圏地震時の帰宅困難者の 帰宅行動に伴うトイレに関す る研究」( 高田裕之、2008) 「首都圏整備に関する年次報 告」( 内閣府、2011)

どの行政機関がかなり綿密な統計調査やシミュレーションを行っている注 2。 しかし、実際に震災が起きたときに、リアルタイムに状況を把握し、応じ た支援をできる様なシミュレーションにはなっていない。そこで、Twitter を始めとしたソーシャルネットワークのリアルタイム性とローカル性とい う大きな強みを活かし、今後また災害によって同じ様な事態に陥った時、 スマートに被害を抑えるということが本研究の主旨である。

渋谷

12:00

立川

18:00

0:00

6:00

新宿

12:00

18:00

0:00

6:00

18:00

0:00

6:00

18:00

0:00

6:00

船橋

18:00

0:00

6:00

六本木

12:00

12:00

12:00

大宮

18:00

0:00

6:00

12:00

図 1 震災時の Tweet に含まれる地名別、Tweet 数の推移

災害時におけるソーシャルメディアを用いた支援システム

1

第１章 Chapter 1

背景 Introduction

1 背景 1.1 ソーシャルメディアに関して 1.1.1 ソーシャルメディア概要 1.1.2 リアルタイムとローカル 1.1.3 キュレーターの必要性 1.2 震災に関して 1.2.1 東日本大震災概要 1.2.2 支援活動の問題点 1.2.3 震災とソーシャルメディア 1.3 既往研究 1.3.1 ソーシャルメディアに関する既往研究 1.3.2 震災に関する既往研究 1.4 研究の方向性 1.4.1 今後の震災に備えたシステム 1.4.2 本研究の位置づけ

災害時におけるソーシャルメディアを用いた支援システム

5

1. 研究背景 ソーシャルメディアに関して

1.1.1 ソーシャルメディア概要 注 3) Kaplan, Andreas M., Michael Haenlein (2010). Users of the world, unite! The challenges and opportunities of Social Media

ソーシャルメディアはティム・オライリーの提唱する Web 2.0 の概念を 具現化した一つの形として考えられる注 3。 かつて、メディアと言えばマスメディアがほとんどであり、情報の送り 手と受け手が固定され、しかも送り手から受け手へと一方的な流れであっ た。しかし、現代では誰もが Web を通して、情報発信をすることができ る様なインタラクティブな社会環境になった。ここでの Web のあり方を Web2.0 と呼ぶのだが、この Web2.0 の大きな機能であるインタラクティ ブがソーシャルメディアの特徴そのものでもある。 例えば、地下鉄の掲示板 ( 図 2) も、メッセージを誰もが書くことがで きる上に、誰もが読むこともできるメディアである。そういった点でイン タラクティブであるが、読んだり書いたりできるのはその時間にその場所 にいた人だけに限られる。

図 2 地下鉄の駅でよく見られる伝言板

しかし、Web は空間的、時間的な制約を取り払った。そして、進化した 携帯型の情報端末によって、いつでもどこでも、たとえ災害時でも瓦礫の 中でも、情報を送受信できる様になった。

災害時におけるソーシャルメディアを用いた支援システム

6

1. 研究背景 ソーシャルメディアに関して

1.1.2 リアルタイムとローカル 例えば、 近所で消防車のサイレンの音が鳴ったとする。ソーシャルメ ディアがなかった時代では、大規模な火事ならば新聞やテレビで報道され るだろうが、報道された時には消火も終わり、 「あそこが燃えたのか」と過 去形で捉えるだろう。しかも、大規模な火事でない場合、マスメディアは 取り上げることもないだろう。 しかし、現在では Twitter で地名と「火事」という単語を and 検索にか けてみると「どこどこで煙が見える」や「あそこのスーパーで火事！」な どという Tweet が引っかかり、火事がどこで起きているのか、すぐにわか ることがある。すると、 「あそこが燃えている」と現在形で捉えることがで きる。もし、その燃えているスーパーに家族が働いているものなら、すぐ さま駆けつけることもできる。 また、偶然自分がある時、ある場所にいたからこそ知り得た情報があっ たとする。その時には、携帯端末を用いて、瞬時に情報を拡散することが できる。突発的な事象を伝達する時には情報端末を持つ人全員がメディア になれることが大きな力を発揮するだろう。 そして、ローカルな場所の情報を、リアルタイムに知ることができると いうことが、ソーシャルメディアが持つ大きな強みであり、マスメディア がカバーできない領域である ( 図 3)。

ローカルな事象

ソーシャルメディア 地方紙

事後の

リアルタイムな

情報伝達

情報伝達

雑誌

新聞 全国紙 TV( 収録 )

TV( 中継 )

広範囲 / 大規模な事象

図 3 各メディアの位置づけ

災害時におけるソーシャルメディアを用いた支援システム

7

1. 研究背景 ソーシャルメディアに関して

1.1.3 キュレーターの必要性 かつて、メディアの選択が限られていた時代は、限られたメディアが発 する情報の範囲で、欲しい情報、必要な情報を選別する程度しか自由がな かった。しかし、Web の発展で膨大な情報の中から、自分に適する情報を 選んで取得できる自由を得た。このことは、情報選別の自由という観点に おいて大きな進歩である。 しかし、情報発信コストが下がったことで、ネット上には情報が溢れか えり、どこかにあるはずの必要な情報にたどり着くことが、ここ数年で難 しくなってきた。そして価値観が多様化する中で、めぐり合った情報をど う位置づけ、どう解釈ればいいのか迷うということもある。 注 4) 元の意味では、欧米の博物館 （美術館含む） 、図書館のよう な資料蓄積型文化施設におい て、施設の収集する資料に関 する鑑定や研究を行い、学術 的専門知識をもって業務の管 理監督を行う専門職、管理職 を指す。

そこで、 重要な役割を担うのがキュレーター注 4 である。佐々木俊尚著 「キュ レーションの時代」によると「無数の情報の海の中から、自分の価値観や 世界観に基づいて情報を拾い上げ、そこに新たな意味を与え、そして多く の人と共有すること」をキュレーションと呼び、そしてキュレーションを 行う人を、 「キュレーター」という。従来はマスメディアがこのキュレーター の役割をほとんど担っていたが、Web においてはソーシャルメディアとい う「人」基軸としたキュレーターの集合体が担う様になった ( 図 4)。 そして災害時、錯綜する Web 上の膨大な情報を収集・編集・発信し、有

注 5) 「キュレーションの時代」( 佐々 木俊尚、2011)

用な「人」を基軸としたキュレーションが行われることが一層求められる だろう注 5。従って、キュレーターを機能させることこそが本研究の目的で ある。

図 4 キュレーターの違い

災害時におけるソーシャルメディアを用いた支援システム

8

1. 研究背景 震災に関して

1.2.1 東日本大震災概要 2011 年 3 月 11 日午後 2 時 46 分，本州の北東部の東方海 域で M9.0 の巨大地震が発生し，広い範囲が震度 6 以上の強 震に襲われ，その後，沿岸部を大津波が繰り返し襲った。 東日本の各地で地震によるライフラインや輸送ルートの社 会基盤が被害を受けたほか，大津波に襲われた約 500km に わたる沿岸の各地では集落や市街地が丸ごと流失するという 被害が発生した。 それだけでなく，東京の約 200km 北に位置する福島第一 原発では，大津波によって電気系統を破壊されてすべての冷 却機能を失い，建屋が破壊して放射性物質が漏出し，20km 圏内の全住民と 20 ∼ 30km 圏の大半の住民が避難するとい う 深 刻 な 事 態 を も た ら し て い る。 死 者 15,782 人、 行 方 不 明 者 は 4,086 人， 全・ 半 壊 家 屋 は 271,805 戸（ い ず れ も 9 / 1 1 現 在 ）， 最 大 約 2 0 万 人 （ 3 / 2 6 現 在 ） に 達 し た 避 難 者 数 は ,8.25 現在でも 78,852 を数え，一方で着工された仮設住 宅 は 8 7 , 2 8 5 戸 分 に の ぼ っ て い る （ 図 5 ）。 死亡

15,782人

行方不明

4,086人

建物被害

全壊

83,591戸

半壊

31,435戸

一部損壊

24,3474戸

津波の高さ

38.9m(岩手県宮古市姉吉地区)

マグニチュード

M9.0

震央

三陸沖(北緯38.322 東経142.369)

最大震度

7 (宮城県栗原市)

想定被害総額

16∼25兆円

図 5 震災被害まとめ (2011 年 9 月 11 日現在 ) 出典 : 政府発表

首都圏での影響

注 6) 帰宅難民・体験リポート（時 事 コ ム、http://www.jiji.com/ jc/v4?id=earthquakewalk000 ）

地震発生直後より JR 東日本は新幹線と在来線の運転を終 日見合わせ、関東・首都圏では私鉄と地下鉄の全線が運行を 停 止 し た 。午 後 9 時 よ り 、一 部 の 私 鉄 や 地 下 鉄 が 運 転 を 再 開 し 、 東 京 地 下 鉄 と 都 営 地 下 鉄 で は 終 夜 運 転 を 行 っ た （ 図 6 ） 注 6。

災害時におけるソーシャルメディアを用いた支援システム

9

1. 研究背景 震災に関して

注 7) 自主調査「震災後の通信状況に 関する調査」調査結果 ( サーベ イリサーチセンター、2011)

「 サ ー ベ イ リ サ ー チ セ ン タ ー 」 が 行 っ た 調 査 注 7 で は 、 東 京 ・ 埼玉・千葉・神奈川在住者で震災時首都圏にいた人のうち、 当日に自宅に帰れた人は 8 割で、残りの 2 割は会社などで一 夜を明かした事が分かっている。震災当日の 3 月 11 日夜に 帰宅困難となって、自治体が用意した施設を利用した人は東 京 都 で 9 万 人 以 上 、横 浜 市 で 1 万 8 , 0 0 0 人 、川 崎 市 で 5 , 5 0 0 人などと報じられているが、首都圏で日常的に鉄道を利用し 通勤・通学している人は 800 万人∼ 950 万人と推計されて おり、実際には相当数の帰宅困難者が発生したと考えられる。 鉄道が利用できないことから多くの人はバス、タクシーを 代わりに利用しようとしたため乗り場は長蛇の列（図 7）と な り 、乗 れ る ま で に 数 時 間 以 上 も 待 ち 続 け る と い う 有 様 で あ っ た。また都内の渋滞状況は甚だしく移動速度は徒歩並であっ た。

図 6 震災当日の運転再開状況

図 7 震災当日の駅前混雑状況

災害時におけるソーシャルメディアを用いた支援システム

10

1. 研究背景 震災に関して

1.2.2 支援活動の問題点 震災発生を受けて設置された内閣府緊急災害対策本部は 2011 年 5 月 17 日、同日までに 2 万 6,708 人が警察庁・消 防庁・海上保安庁・自衛隊の派遣部隊によって救出されたと 発表した。また、日本国外の 156 の国・地域と 41 の機関が 注 8） 平成 23 年 (2011 年 ) 東北地 方太平洋沖地震 ( 東日本大震 災 ) について （内閣府緊急災 害対策本部 、2011）

注 9） 避難所目前なのに…燃料なく 物資の山も運べず （読売新聞、 2011 年 3 月 17 日 )

支援を表明し、28 の国・地域・機関から救助隊を、53 の国・ 地 域 ・ 機 関 か ら 救 援 物 資 を 受 け 入 れ て い る 注 8。 しかし、被災地では、県や市などの物流の拠点まで輸送さ れ た 食 料 や 燃 料 、水 、薬 品 な ど が 届 か ず 、物 資 不 足 が 深 刻 だ っ たところと、逆に物資が有り余るほど届いたところがあり、 避難所によってばらつきがあったようだ。その理由として、 道路網が寸断されたこと、被災地側の受け入れ態勢が整わな かったこと、輸送車両の燃料が不足したこと、避難者が指定 避 難 所 以 外 の 施 設 に 分 散 し た こ と 、 な ど が 挙 げ ら れ る 注 9。

首都圏での支援活動 東京都は発災直後に災害即応対策本部を設置し、帰宅困難 者対策を行った。まず、災害時帰宅支援ステーションとして コンビニエンスストア等に対して水道水やトイレの提供を要 請した。コンビニエンスストア等への要請は、東京都だけで なく、埼玉県、千葉県、神奈川県ならびに 5 政令指定都市も 同様に行った。さらに、東京都は帰宅困難者を一時収容する 施設の準備を区市町などとともに進めた。最終的に、都や区

注 10） 東日本大震災による首都圏鉄 道利用者の帰宅困難問題（中 央大学理工学部情報工学科、 鳥海重喜）

市町が一時避難所として準備した施設は 1,030 か所に及び、 翌 日 の 午 前 4 時 ま で に 約 9 4 , 0 0 0 人 が 利 用 し た 注 10。 次 ペ ー ジの東日本大震災における「帰宅困難時に困ったこと」 （図 8） によると、帰宅困難時に困ったことのトップは「電話がつな がらない」で 84%、2 位は「電車が止まった」で 77% を占 めていた。3 位の「クルマの渋滞」が 40% だった。このこと から、通信や交通網などインフラに関する問題が多く、行政 や交通機関といった公共機関への要望が多いようだ。 一 方 、 ト イ レ 関 係 に つ い て は 「 ト イ レ が な い 」、「 ト イ レ が 混 雑 」 が 各 5 % 程 度 、「 ト イ レ を 貸 し て も ら え な い 」 は わ ず か 1% であった。帰宅困難者の問題があらかじめ認識され、沿 道のコンビニや商店などが協力したことが伺われるデータで ある。

災害時におけるソーシャルメディアを用いた支援システム

11

1. 研究背景 震災に関して

ま た 、 東日本大震災における「帰宅困難時の必須アイテム・確認事項」 （図 9） によ る と 帰 宅 困 難 時 必 要 だ っ た も の は 充 電 器 や 懐 中 電 灯 、 非常食などの物資が上位にある。避難場所は十分に足りてい た様子であり、また帰宅地図はケータイ端末で確認できたた めニーズは少なかったようだ。 従って、物資の効率的な支給と通信、交通網の整備が震災 時に必要なことであるとわかった。

図 8 東日本大震災における「帰宅困難時に困ったこと」 出典 : ウェザーニュース

図 9 東日本大震災における「帰宅困難時の必須アイテム・確認事項」 出典 : ウェザーニュース

災害時におけるソーシャルメディアを用いた支援システム

12

1. 研究背景 震災に関して

1.2.3 震災とソーシャルメディア ソーシャルメディアには、情報を発信するメディア的側面とメールの様 な連絡手段としての側面がある。 震災時には、通信障害により電話がつながりにくい状況が続く中、パ ケット通信は問題なく使えるというユーザーが多かった。そのため、イン ターネットを使った連絡が活発となり、Twitter などのソーシャル・ネット ワーキング・サービスでは、家族や友人に対する呼びかけや、ボランティ アや人道支援に関する呼びかけ、医師による健康相談などが行われた。従っ て、ソーシャルメディアの連絡手段としての機能は有用であったと言える。 一方、メディア的側面に関してだが、実際のところ、評価が難しい。まず、 停電したエリアやアンテナが破壊されていたエリアにおいては、無力であっ た。そのようなエリアで、メディアとして役割を果たしたのはテレビやラ ジオのみであった。また、情報交換の容易さからデマ情報も多く発信され、 問題となった。 逆に多いに役立った面もある。グーグルはハイチやニュージーランド の地震でも使われた安否確認システム「Pearson findeer」 （http://japan. person-finder.appspot.com/）( 図 10) を提供し、18 日までに 30 万件以上 が登録された。グーグルはＮＨＫ の「安否情報ダイヤル」に寄せられた情 報も集約し、 どちらの情報も検索できるようにしている。連携の裏には、 ソー シャルメディアが情報伝達だけでなく安否確認の場としても重要な役割を 担い始めたという大きな変化がある。過去の災害では、電話やテレビ、新 聞といったメディアに限られていたが、人のつながりが分かるソーシャル メディアによってこれまでにないかたちの安否確認が可能であることがわ かった。

図 10 google person finder

災害時におけるソーシャルメディアを用いた支援システム

13

1. 研究背景 震災に関して

注 11） 「 大 震 災 で 明 確 に な っ た ∼ ソーシャルメディア 3 つの 限 界 と 4 つ の 可 能 性 」( 日 経 ビジネスオ ン ラ イ ン、http:// business.nikkeibp.co.jp/artic leanage/20110323/219105/ ?P=2)

また、今回は政府や地方自治体、企業も積極的にツイッターを情報発信 に活用していた。消防庁の「＠ FDMA_JAPAN」がツイッターで情報発信 していることが、テレビのテロップで流れていて、首相官邸も災害情報専 用のツイッターアカウント「＠ Kantei_Saigai」( 図 11) を開設、総理や官 房長官の会見の様子を中継し、すでに 24 万人を超える利用者がフォローし ている注 11。 そして、福島の原発のトラブルに関して、東京大学の原子力関連の専門 家が詳細な専門知識をツイッター上で発信していたり、Facebook ページ で議論がされたりといった、様々な専門家も積極的にソーシャルメディア を活用していた。また、 被災者自身が自ら被災現場の情報を発信することで、 支援者に直接必要なものを伝えることができるようになっていることも大 きな変化である。

図 11 Twitter の @kantei_saigai のタイムライン

災害時におけるソーシャルメディアを用いた支援システム

14

1. 研究背景 既往研究

1.3.1 ソーシャルメディアに関する既往研究 ■ Augmented Campus: 拡張するキャンパス ( 岡瑞起、李明喜、橋本康弘、宇野良子、荒牧英治 ) 観察者や情報提供者の主観や偏った視点による情報収集を防ぎ、デザイ ンのプロセスにさまざまな人が関わることを可能にするためのツールと方 法論の開発を目的とし、この研究では、実際の公共空間をデザインするワ ークショップを通じて、提供するツールがどのようにイノベーティブなア イデアに結びつくかについて探っている。 ■リンクを含むつぶやきに着目した Twitter の分析 ( 吉田光男、乾孝司、 山本幹雄 ) Twitter のリンクを含むつぶやきに着目し、その特徴を調査している。そ の結果、人間による投稿とボットによる投稿では投稿文字列長に顕著な差 があること、ユニークユーザ数の多いニュースサイトが Twitter ではあま り注目されていないことなどが明らかになった。 ■実空間マイクロブログ分析による地域イベントの影響範囲推定 ( 藤坂達 也、李龍、角谷和俊 ) 様々なイベントや出来事を Twitter などのマイクロブログユーザーから のセンシングにより理解することが可能であるという仮定のもと、地域イ ベントの影響範囲の推定を試みている。 ■ Twitter からの人間行動属性の自動抽出（グェンミン・テイ、川村隆浩、 田原康之、大須賀昭彦） この研究では、条件付き確立場と自己教師あり学習を用いて、行動属性 の自動抽出手法を提案している。この手法により、 事前準備の簡略化ができ、 頻度が低い行動も獲得可能となった。 ■ソーシャルタギングシステムを用いたユーザの関心の発見（レオン末松 豊インティ、村里英樹、藤原義久、木俵豊） 多数の人間と情報が共有できるソーシャルタギングシステムでは、ユー ザが関心を持つコンテンツの内容を反映したタグが付与されるが、ユーザ が共有する関心を発見するためのタグ間の階層的なクラスタリング手法を 提案している。

災害時におけるソーシャルメディアを用いた支援システム

15

1. 研究背景 既往研究

■パーソナルコンテンツと場所を関連づけるためのプラットフォーム（久 野綾子、西尾信彦） ユーザの持つ写真、スケジュール、ブログなどといったパーソナルコン テンツとユーザにとって意味のある場所を関連づけるプラットフォームを 提案し、この研究では、定期的に取得した測位データからユーザにとって 意味のある場所を抽出する手法について述べている。 ■携帯端末による人物行動履歴の分析に関する一考察（松本光弘、 清原良三、 福井秀徳、沼尾正行、栗原聡） この研究では、携帯端末の操作ログを取り、その操作履歴から時刻と位 置で利用したアプリケーションを機械的に分類し、その分類に対して評価 と考察を行っている。 ■ソーシャルネットワークを用いた都市生活者の時空間分布モデル ( 奥津 拡、遠田 敦、菊地 弘祐、渡辺 仁史 ) この研究では Twitter の Tweet から行動を分析し、分類することで、都 市ごとの生活者の行為および趣味嗜好を、空間的かつ時間的な分布で可視 化している。そして、ソーシャルネットワークに蓄積していく情報発信履 歴を用いて、明らかにするモデルを作成することで、建築・都市計画の手 法として役立てることを目的としている。

災害時におけるソーシャルメディアを用いた支援システム

16

1. 研究背景 既往研究

1.3.2 震災に関する既往研究 ■災害情報デザインに関する研究 災害復興ボランティア支援システムの考 察 （遠藤大介、稲永真一、堀江真史、杉田薫） 東日本大震災において、被災地の迅速な復興を支援する為に、被災地外 でのボランティア希望者に最適な活動と活動に必要な人数を割り当てる仕 組みの構築について検討している。 ■帰宅行動シミュレーション結果に基づく トイレ需給等に関する試算につ いて ( 内閣府 ) 震災時、鉄道が運休した際における被災者の帰宅行動を、東京都の区ご とにシュミレーションし、トイレの需給状況を分析した報告書である。

■首都圏整備に関する年次報告 ( 内閣府 ) 様々な機関のデータを分析し、首都圏の整備を行う際の指針を毎年報告 したものである。インフラに関する事項が主で、平成 22 年度の報告には東 日本大震災によって、被害を受けた交通機関、通信網の問題を提起し、再 び震災に見舞われた場合に備えた整備の指針が述べられている。

■首都直下地震を想定した帰宅困難者に対する帰宅支援のあり方に関する 研究 ( 大川亮、井田敦之、土屋伸一、長谷見雄二 ) 震災が起きたことを想定し、被験者らが徒歩での帰宅を行い、その過程 で生じる諸処の問題を明らかにした研究である。実際にある店舗や施設の 数、配置を徒歩帰宅時の需要と比較し、問題があった箇所には改善策を提 示している。 ■首都圏地震時の帰宅困難者の帰宅行動に伴うトイレに関する研究 ( 高田 裕之、大川亮、井田敦之、土屋伸一、長谷見雄二 ) 震災が起きたことを想定し、被験者らが徒歩での帰宅を行い、その過程 で生じるトイレに関する問題を明らかにした研究である。被験者が催した トイレの需要と実際に使用可能なトイレの数とを比較し、よりよいトイレ の配置計画を提示している。

災害時におけるソーシャルメディアを用いた支援システム

17

1. 研究背景 研究の方向性

1.4.1 今後の震災に備えたシステム 東日本大震災において、東北地方では避難場所によって支援物資のばら つきがあった。また、首都圏では、渋滞や通信障害の発生や帰宅困難者を 含む被災者への物資提供が十分でなかった問題がある。これらの問題を解 決するためには、需要に応じて効率的な支援やインフラ整備をすることで 必要であり、そのためには、どこにどの様な需要があるかを逐一把握する ことが必要である。 しかし、有事においては、時々刻々状況が変化し、あらかじめ想定をす るにも限度がある。また、場所によって全く状況が違うため、場所ごとの 情報を逐一把握することが困難である。 そこで、膨大な生活者の行為をリアルタイムに発信しているソーシャル メディアは、その膨大な量の情報をキュレーションさえできれば、災害時 に活用できるのではないかと考えた。そして、そのためのキュレーターと してのシステムを作成することが本研究の目的である。それによって、リ アルタイムな被災者の行動を場所ごとに可視化し、支援の需要を明らかに し、効率的に被災者を支援できる様な建築・都市計画をする。

災害時におけるソーシャルメディアを用いた支援システム

18

1. 研究背景 研究の方向性

1.4.2 本研究の位置づけ 本研究は以下 2 つの分野の融合である。 ・ソーシャルメディアを用いて、生活者の膨大な行動データを分析するこ とで、より理想的な建築や都市を計画する研究。 ・震災時における被災者の行動を分析し、防災や被災者支援が効率的に行 われる様な建築・都市計画をする研究。

「帰宅行動シミュレーション結果に基づくトイレ需給等に関する試算について」 「首都圏整備に関する年次報告」 「首都圏地震時の帰宅困難者の帰宅行動に伴うトイレに関する研究」

震災支援

建築 / 都市計画

「災害情報デザインに関する研究 災害復興ボランティア支援システムの考察」 「首都直下地震を想定した帰宅困難者に対する帰宅支援のあり方に関する研究」

図 13 研究の位置づけ

災害時におけるソーシャルメディアを用いた支援システム

本研究 本研究

「Augmented Campus: 拡張するキャンパス」 「実空間マイクロブログ分析による地域イベントの影響範囲推定」 「パーソナルコンテンツと場所を関連づけるためのプラットフォーム」 「ソーシャルネットワークを用いた都市生活者の時空間分布モデル」

ソーシャルメディア 「Twitterからの人間行動属性の自動抽出」 「ソーシャルタギングシステムを用いたユーザの関心の発見」 「リンクを含むつぶやきに着目した Twitter の分析」 「携帯端末による人物行動履歴の分析に関する一考察」

「検証 東日本大震災 そのときソーシャルメディアは何を伝えたか?」 「大震災で明確になった∼ ソーシャルメディア3つの限界と4つの可能性」 「思想地図β vol.2」

19

第 2 章 Chapter 2

研究概要 Research Outline

2 研究概要 2.1 研究目的 2.2 用語の説明 2.3 研究の流れ

災害時におけるソーシャルメディアを用いた支援システム

20

2. 研究概要

2.1 研究目的 本研究は、東日本大震災における被災者の Tweet の地理的分布を可視化 することで、震災時の被災者支援を空間的かつ時間的に効率化するための システムを作成する。

System

Intractive

su

al

ize

Ma

Vi

pp

ing

Twitter

Visualize

Rescue 図 14 本研究のダイアグラム

災害時におけるソーシャルメディアを用いた支援システム

21

2. 研究概要

2.2 用語の説明 ｜ Tweet( つぶやき ) Twitter における投稿そのもの。もしくは投稿すること。一般的に「つぶ やき」と呼ばれることが多いが、正式には「ツイート」と呼ぶ。 ｜なう Twitter の独特の情報発信表現。状況や出来事を発信する際に文末に用い られる言葉で、リアルタイムに情報発信が行われるソーシャルメディアな らではの表現と言える。 「なう」は、英語の今を示す「now」からきており、 自分が現在どこにいるか（所在地） 、どうなっているか（状態） 、何をして いるか（行動）などに用いられる。 ｜ジオタグ (geotag) データに付加される追加情報 ( タグ ) で、緯度と経度の数値のこと。これ によって、データの投稿された場所を特定して地図サービスの画面上にマッ ピングし、 「場所」を基準に整理・公開することなどが可能となる。 ｜タイムライン 略して TL(Time Line) とも言い、時系列で流れてくる様々な人々の Tweet をまとめてタイムラインと言う。 ｜帰宅困難者 災害発生により交通機関が謝絶する事態が生じた際に、自宅が余りにも 遠距離にあるということで帰宅を諦めた「帰宅断念者」と、何とか帰れる と判断して徒歩で帰宅しようとする「遠距離徒歩帰宅者」の両者を併せた ものである。

災害時におけるソーシャルメディアを用いた支援システム

22

2. 研究概要

2.3 研究フロー まず、研究室で記録している Twitter の過去のログデータから、震災当 日である 3/11 と 3/12 のものだけを抽出した。その中で、GPS や言語など の条件から、本研究に利用できるデータに絞った。一方で、震災やソーシャ ルメディアについての論文や文献を調査し、本研究に応用できる既往の分 析や結果を探した。 データが出揃ったところで、システム開発を行った。開発と検証を同時 に行ったので、ここではプログラムを組むとともに、震災当日データをシ ステムに入れ検証を行った。システムの詳細については 3 章に記載してい る。 分析・考察段階では、東日本大震災についての検証から、このシステム の有用性を将来の展望を交えつつ明らかにしていった。

Twitterの過去ログ収集 既往研究・文献調査

・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・情報収集

システム開発/検証

データ挿入

プログラミング システム構築

過去ログでシステム検証 テキストマイニング マッピング

・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・開発

・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・検証

分析/考察 システムの有用性・可能性の提示

・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・結論

図 15 研究フロー

災害時におけるソーシャルメディアを用いた支援システム

23

第 3 章 Chapter 3

システム概要 System Outline

3 システム概要 3.1 システム目的 3.2 システムで使用したアプリケーション 3.3 システム仕様 3.3.1 データ収集 3.3.2 データ分析 / マッピング 3.3.3 テキストマイニング

災害時におけるソーシャルメディアを用いた支援システム

24

3. システム概要

3.1 システム目的 本研究で作成するシステムは、時々刻々更新されていく Twitter タイム ラインの中から日本国内の緯度経度を持つジオタグ付きの Tweet を抽出し、 個々の本文に含まれる単語によって分類、色分けしてマッピングすること で、Tweet の内容別の分布を可視化することが目的である。

図 16 最終的にアウトプットされたマップの例

災害時におけるソーシャルメディアを用いた支援システム

25

3. システム概要

3.2 システムで利用したアプリケーション システムで扱う個々のアプリケーションについて説明する。 注 10） API とはソフトウェアを開発 する際に使用できる命令や関 数の集合のこと。個々のソフ トウェアの開発者がすべての 機能をプログラミングするの は無駄が多いため、多くのソ フトウェアが共通して利用す る機能は、OS やミドルウェア などの形でまとめて提供され ている。

Twitter：ソーシャルネットワーキングサービスのひとつでマイクロブログ。 twitter 社は様々種類の API 注 10) を公開しており、誰でも API を利用したア プリケーションが開発でき、制限があるものの世界中の人々が発信した情 報を無料で取得できる。Twitter における行動履歴の収集プログラムでは、 twitter API を用いた。 Microsoft Office Excell 2010 ： Microsoft 社の表計算ソフトで、Microsoft Office の一部として提供されている。VBA(Visual Basic for Applications) は Excel 上の処理を自動化するためのプログラム開発 / 実行をできる機能。 KH Coreder ： 内容分析（計量テキスト分析）もしくはテキストマイニング のためのフリーソフトウェアで、日本語テキスト型データを計量的に分析 できる。 Google Earth ： Google 社が提供している 3 次元地図のフリーソフトウェ ア。世界中の衛星・航空写真を閲覧でき、また kml という拡張子を用いれ ば地図上にマッピングができる。本研究では、インタラクティブなシステ ムを目指すため本ソフトを利用した。

災害時におけるソーシャルメディアを用いた支援システム

26

3. システム概要

3.3 システム仕様 システムは主にデータベース化、データ抽出、マッピングの 3 つのフェー ズに分かれている。

Perl 日付時間指定 Timeline 取得 Perl プログラム

Excel VBA リアルタイムかつ

GPS 変換

Tweet 内容別に 色・レイヤ分け表示

指定した行動に関係する Tweet 内容によって色分け

csv ファイル

kml ファイル

KHcoder による テキストマイニング

データベース化

データ抽出

マッピング

図 17 システムのフロー

災害時におけるソーシャルメディアを用いた支援システム

27

3. システム概要

3.3.1 データ収集 データ収集のプログラムは Perl で記述した。 １ まず、API によって取得できる tweet の中で、位置情報 (Geotag) を持ち、 その位置情報が日本国内（指定した緯度経度の範囲内）にある tweet に対 して、TweetID と Username を取得し、ユーザーリストを作成した。これ に用いた収集プログラムは、ここでのプログラムでは TweetStreamerList. pl とする。指定した緯度経度の範囲については、資料編の収集プログラム コード内に記載している。 ２ 次に、ユーザーリストに登録した Username から各ユーザーの tweet を取得し、csv ファイル形式で各ユーザーごとに保存した。この時、収集 した tweet はジオタグが付加されているかについては考慮せず、付加され ていない tweet も収集した。ここでのプログラムは TweetGleaner.pl とする。 収集したデータ項目： ① Tweet ID ② username ③ Tweet した投稿時間（標準時間 GMT で年月日時分） ④ Tweet の内容 ⑤ Tweet した位置情報、 緯度、 経度（世界測地系 10 進法表記で少数第 6 桁 )

日本国内で、Geotag を付けて

Username0001

Username0001, Username0002,

リスト登録時

リストを作成

tweet も取得

現在

tweet tweet tweet tweet

……

tweet tweet tweet tweet tweet

リスト登録時

……

…… ……

リスト登録時

現在

tweet tweet tweet

Username5337

tweet tweet tweet

……

……

Username5337

Username0002

できるだけ過去の

…… ……

tweet tweet tweet tweet

……

投稿したことのあるユーザーを

…… ……

Twitter API

tweet tweet

現在

文字コード : UTF-8 拡張子：csv 投稿時間情報をGMT

データ分析へ

図 18 データ収集の流れ

災害時におけるソーシャルメディアを用いた支援システム

28

3. システム概要

3.3.2 データ分析 / マッピング

注 13) 投 稿 し た 時 間 は、 標 準 時 間 GMT で あ る の で、 日 本 時 間 に変換するため、対象とする データファイルは、投稿時間 ＋ 9:00:00 に変換した。 注 14） 3.2.3 参照

データベース化された tweet は csv で書き出される。このログの分析は Microsoft Office Excell の VBA を用いて行った。 次に各ユーザごとのの中からジオタグが付いていない tweet を削除し、 全てのユーザの tweet を一枚のファイルにまとめた。そして、全ログを時 系列に並べ任意の時間注 13 まで遡って抽出した。その後、テキストマイニン グ注 14 の結果による tweet に含まれる単語によって色を指定し、 緯度経度デー タと共に kml ファイルで出力をした。

データベースから

tweetlog//// …… …… ………… …… …… …… …… …… …… …………

tweet tweet

文字コード： UTF-8 から SHIFT-JIS に変換

tweet tweet tweet tweet tweet

Username0001

現在

tweet tweet tweet

tweet tweet tweet tweet

tweet tweet tweet tweet tweet tweet tweet

tweet

リスト登録時

tweet

tweet tweet

現在

tweet tweet tweet

Username////

tweet

…… ……

tweet tweet

tweet

現在

tweet tweet

時間で抽出 tweetlog//// tweet tweet

…… ……

…… ……

現在

リスト登録時

……

Geotag付きのみを抽出 一枚のシートにまとめる

……

……

リスト登録時

tweet tweet tweet tweet

…… ……

できるだけ過去の tweet も取得

Username5337

tweet tweet tweet

……

…… ……

tweet tweet tweet tweet

Username0002

tweet tweet

条件に当てはまらない 取得ファイルを除去 kml////

単語ごとに決めた色と 緯度経度データをkmlで書き出す

<colar>red <coordinates>

…… ……

マッピング

139.72232 35.53657

図 19 データ分析 / マッピングの流れ

災害時におけるソーシャルメディアを用いた支援システム

29

3. システム概要

3.3.3 テキストマイニング Tweet 本文から行為を割り出すために形態素解析及びテキストマイニン グによる自然言語処理を行った。割り出された行為を分類し、マッピング されるアイコンの色を指定することが目的なのだが、ある行為に対して、 その行為そのもの文字列のみの抽出では数が非常に絞られる上に精度が落 ちた。

待つ[S1∼Sn] 待っ

乗

電車

回復

待ち

帰り

行き

車両

待た

焦る

駅

列

待と

ホーム

復旧

通行止

待て

交通

バス

方面

行

都心

迎え

方向

空く

タクシー

遅延

帰る

来

時間

終電

着

図 20 [ 待つ ] に関連するとした文字列

災害時におけるソーシャルメディアを用いた支援システム

30

第 4 章 Chapter 4

調査 Research

4.1 概要 4.2 単語選定 4.3 結果 4.4 分析

災害時におけるソーシャルメディアを用いた支援システム

31

4. 調査

4.1 概要 東日本大震災のデータを用いて、再び震災が起きた場合に、本研究で構 築したシステムがどの様に有用であるか検証した。 これまでデータ収集のプログラムによって蓄積してきた 8478 人分の Tweet の 内、 震 災 当 日 で あ る 3/11、3/12 に Tweet を し て い た 人 注 15 は 注 15) ジオタグの有無は区別しない

2224 人で、Tweet 数は 77488 件であった。更にその中で、ジオタグが付 いていた Tweet だけを抽出すると 954 人分、7924 件であった ( 図 21)。 検証の流れ ( 図 22) としてはまず、ジオタグの有無を区別しない Tweet を KHcoder によって、データ分析段階のテキストマイニングを行った注 16。

注 16) このテキストマイニングの部 分 は マ ッ ピ ン グ と 関 係 な く、 また多くのデータ量が必要 だったためジオタグの有無は 区別せず、震災当日の Tweet 全てを用いた。

そして、選定された単語をマッピング時の色分けの基準とした。次に、ジ オタグ付きデータを用いてシステムを動かし、行為ごとにアウトプットさ れるマップを考察した。

全データ 8478 人分 3/11,3/12 2224 人分 Tweet77488 件 ジオタグ付 Tweet 954 人分 7924 件 ( 実質 約 6500 件 )

図 21 全蓄積データの内の検証利用データの数

震災当日のTweetを抽出 ジオタグ有無でTweetを分類

ジオタグ有/無 両方

・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・情報収集

ジオタグ有のみ

データ挿入

KHcoder

CSV→Excel変換

・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・読み込み

時系列整列 指定時間帯のみ抽出 KHcoderでの分析結果で色分け Excel→KML変換

・・・・・・・・・・・・・・・・・・・・・・・・書き出し

VBA プログラム

行為によって色分けされた マップが書き出される

・・・・・・・・・・・・・・・・・・・・・・・・・・・・・結果

図 22 東日本大震災時のデータを用いた検証フロー

災害時におけるソーシャルメディアを用いた支援システム

32

4. 調査

この検証における対象範囲は首都圏にした。なぜなら、平常時から Tweet にジオタグを付加している人は首都圏に集中していることと、また 震災によって東北地方はインフラに大きな被害を被っており Tweet 数が減 少していたこと、一方関東以西は震災による被害が少なかったことがあり 関東以外は検証に適さなかったためである。

災害時におけるソーシャルメディアを用いた支援システム

33

4. 調査

4.2 単語選定 3/11、3/12 に発せられた Tweet でジオタグの有無に関係なく集めた 注 17) 資料編 震災当日の Tweet に 含まれた文字列一覧参照 注 18) 抽出された文字列の中で、検 証において特に重要なものを キーワードとする。 注 19) 資料編 選定された文字列の関 連語一覧参照

77488 件を KHcoder で形態素解析によって品詞別・内容別に分類した注 17。 分類された文字列の中で出現数が多く、かつ被災者にとっての問題やニー ズ ( 図 23) に関連する文字列を挙げた結果、 「寒い」 「待つ」 「混む」 「疲れる」 「休む」 「食べる」という６つのキーワード注 18 を選定するに至った。 次に、各々の文字列の関連語を抽出しリスト化した注 19。このリストから 目視でキーワードとは明らかに関係性のないものを除いた文字列の集合 [S1 「待機」 「混雑」 「疲労」 「休息」 「食」というカテゴリー ∼ Sn] をそれぞれ「寒さ」 とした。そして、マッピングする際には、カテゴリーごとに色分けした（図 24） 。

図 23 東日本大震災における「帰宅困難調査」 出典 : ウェザーニュース

災害時におけるソーシャルメディアを用いた支援システム

34

4. 調査

寒さ

待機

混雑

気温

乗

道

暖

帰り

温

疲労 休

休息

食

休ん

コンビニ

ラッシュ 肉体

休み

食料

焦る

動く

心身

休む

売り切れ

頭痛

ホーム

方向

眠

休ま

調達

氷点下

交通

めちゃくちゃ

歩

休め

弁当

天候

都心

規制

寝

休も

商品

空調

タクシー 歩道

体

ゆっくり 棚

服

時間

交差点

疲れ

風

電車

方面

大変 不安

あったかいパン

調子

行き

歩

マジ

居酒屋

身体

駅

混

ダメ

しっかり 近く 落ち着く レジ

列 確保

腹

復旧

動か

無理

震え

バス

入場

痛

癒

水

凍え

迎え

改札

遠い

憩

トイレ

冷たい

遅延

密集

疲れる

途中

お菓子

寒

終電

歩き疲れ コンビニ お客

体温

回復

気疲れ

長蛇

車両

クタクタ

食べ物

列

全滅

通行止

ラーメン

方面

買

方向

食

帰る

飲

着

店

行

水

空く

確保

来

揃う

待っ

備蓄

待ち

配

待た

売

待と

物資

待て

弁当

バス 図 24 行為ごとの文字列

災害時におけるソーシャルメディアを用いた支援システム

35

4. 調査

4.3 結果 6 つのカテゴリー「寒さ」 「待機」 「混雑」 「疲労」 「休息」 「食」に加えて、 Tweet の内容を加味せず、すべてのジオタグ付き Tweet をマッピングした 図を「全体」としてアウトプットした。これらの図は震災発生 (14:46) か ら翌日の 8:46( 前日からの時間で 32:46) までを 3 時間分ごとに 6 枚のキャ プチャーで表した。

災害時におけるソーシャルメディアを用いた支援システム

36

37

38

39

40

41

42

43

4. 調査

4.4 分析 ｜疲労 17:46 から 23:46 まで幹線通り沿いに分布がある。これは、徒歩帰宅 をしていた人々が疲労を感じていたことが推測できる。ただ、23:46 以降 はかなり減少していたことから、結果を見る限りでは疲労を感じていたは 3/11 いっぱいで落ち着いたと言える。 疲れたに関連する文字列で「腰が痛い」や「足首を捻った」など、 「苦痛」 に関する Tweet が多く見られた。従って、 疲労だけでなく、 苦痛も含めた 「体 の不調」というカテゴリーで Tweet の抽出しても有用だと考えられる。 また、疲労を感じれば、休憩を取る人が多いと考えられるので、 「休憩」 の項目と照らし合わせてみると、やはり似た傾向が見られた。ただ「休憩」 の方が、より顕著に見られたので、疲労を感じた人が密集したところを探 したい場合は、 「疲労」よりも「休憩」の項目を見た方が効果的であると言 える。 ｜混雑 混雑に関する Tweet は企業が終業する 17:46-20:46 に、主要な駅周辺で 集中している。21:00 以降より順次地下鉄、私鉄は動き出していたが、ダ イヤの大幅な乱れと JR の終日運休のため、翌 0:00 まで依然として駅周辺 における混雑は続いた様子が伺える。それ以降、帰宅をあきらめた人は避 難所に向かい、帰宅可能な人は郊外へ分散していったので、都心部での目 立った混雑は見られなかった。 夕方から 21:00 ごろにかけて、特に都心部の歩道では徒歩帰宅者で溢れ ていたため、歩行者の疲労を余計に蓄積させる原因になったと考えられる。 それは都心に多い現象で、郊外では歩行者の滞留や混雑があまり起こらな かったようだ。 ただ、車道の渋滞は幹線道路を中心に、郊外まで長く延びていた。その ため「休憩」や「疲労」など、 歩行者特有の状態に関するカテゴリーとは違っ た分布が見られた。渋滞によって、緊急車両が通行できないとの Tweet が 何件も見られたため、車道に関する「混雑」というカテゴリーがあれば、 災害時にかなり有用であると考えられる。

災害時におけるソーシャルメディアを用いた支援システム

44

4. 調査

｜待機 鉄道の復旧を待つ人々が多くいたためか、 「待機」に関する Tweet は駅 の周辺で多くみられた。また、鉄道の復旧を待ちながら、沿線を徒歩で移 動し、復旧すれば鉄道で帰宅するという人も見られた。そのため、線路沿 いで待つという Tweet があり、例えば小田急線が復旧すれば、小田急線 沿いの分布が減少し、京王線が復旧すれば京王線沿いの分布が減少した。 一方で、 「避難所で翌朝まで待つ」という Tweet もあり、避難所周辺での Tweet が朝まであった。

「待機」という行為の性質上、 「休息」と分布が似ているのだが「休息」 の方が多くの Tweet を抽出できているため、被災者にとっては「待機」と いうよりも「休息」という表現のほうが発信したいことだということも考 えられる。 また、待つという行為は、それだけで体力を消費し、移動中よりも寒さ を感じやすい。そのため、 「待機」は「疲労」や、時期によっては「寒さ」 と合わせて、Tweet が密集するエリアを割り出し、 「疲労」や「寒さ」といっ た支援をしつつ、 「待機」する人を減らしていく様な対策を講ずることも有 用だと考える。 ｜寒さ

「寒さ」に関する分布が本検証では一番少なかった。3/11 の最高気温が 10℃、最低気温が 2℃であったことから、寒いと感じる人も多かったと考 えられるが、分布には出にくい項目であった。また、避難所では毛布が十 分に支給されていたため、冷え込む朝方まで帰宅できなかった人々も避難 所にいれば、寒さはしのげたと考えられる。

災害時におけるソーシャルメディアを用いた支援システム

45

4. 調査

｜食 「食」に関する Tweet は一定数あったものの、 「食」カテゴリーならではの 傾向というものはあまり浮き彫りにならなかった。そして、他の分布と同 じ様に 17:46-20:46 では都心部に集中していたものが、20:46-23:46 には 郊外に分散していった。

「食」 に関する Tweet は移動中や避難中に、 空腹を感じたことや飲食を行っ ているという内容のものは存在する。しかし、帰宅後に調理をしたり、飲 食を行っているという内容も多く存在するなど、支援を必要としない様な 人々の Tweet も混ざってしまったために、支援の需要を発見するというシ ステムには適さないカテゴリーであったと言える。 ただ、本震災の東北沿岸の様な数日以上も避難を要するエリアでは、食 料が一番重要な支援物資であり、災害の長期的な支援に対しては有用に成 注 20) 「ソーシャルメディアに期待さ れる「新しい公共」としての 役割 - 東日本大震災を契機に高 まる共助の機運を活かすため に -」( 野村総合研究所 )

り得るカテゴリーである。現に野村総合研究所の作成した「被災地の声分 析レポート」注 20 では、Twitter の情報を基に、東北地方の被災地の地域別、 物資の需要を分析、公開し、支援への役割を果たしているので、本検証で はあまり意義ある結果が出なかったが、重要な項目ではある。 ｜休息

「休息」に関する Tweet が本検証では一番多かった。震災時の休息に対 する需要が移動中でも待機中でも多いということであり、また幹線道路沿 いとターミナル駅の両方に集中していた。

「待機」や「食」は「休息」と区別しにくい行為であり、また「休息」の 中に内包しているという考え方もできる。また「寒さ」や「混雑」 、 「疲労」 を感じたので「休息」をとる、という Tweet も多く見られていたので、 「休 息」という行為は本検証におけるカテゴリーの全てに関連性の高いと言え る。以上の理由によって「休息」に関する Tweet が多く抽出と考えられる。

災害時におけるソーシャルメディアを用いた支援システム

46

第 5 章 Chapter 5

考察 Consideration

5 考察 5.1 本研究の問題とその対策 5.2 公助として 5.3 共助として

災害時におけるソーシャルメディアを用いた支援システム

47

5. 考察

5.1 本研究の問題点 信頼性の評価

大きな災害ではデマが飛びかい、実際に本震災においても多数見られた。 ソーシャルメディアによる情報はあくまで、個人的な見解に基づくものが ほとんどであり、マスメディアほどの信頼性はなく、情報ソースも不確か であることが多い。 ただ、発災直後は、被害規模の概要把握に努め、初動体制をとることが 重要である。しかし、この時期は情報が不足しがちであり、不確かであっ ても、個人が発する情報を活用することも意義があるため、ソーシャルメ ディアの活用が有効である。 そこで、デマに対する対策として、フィルタリングやテキストマイニン グなどの精度を上げることで信頼性を上げたり、また、衆人環視の仕組み を整えたりすることが必要である。ただ、100% 正確にすることは不可能 であり、無謬性を追求すると何も利用できなくなってしまう。そこで、情 報信頼性に留意しつつも、ある程度も誤りがあることを受け入れて活用す る必要がある。 通信インフラの問題

改めて明確になったのが「いくらソーシャルメディアがインフラになっ た」と言っても、通信インフラが落ちてしまえば無意味だということであ る。本研究では、 扱ったデータがほとんど首都圏など東北以外のものであり、 被害が甚だしい東北地方のデータは通信インフラの復旧まで収集が不可能 であった。 今回、関東は比較的通信系の被害は大きくなかったために、固定回線や ブロードバンド回線を利用することでインターネット利用は可能であった。 そのため、混雑のため全く繋がらなかった電話に比べれば、ネット回線の 方がまだ安定して利用できたという事実はあるが、やはり通信環境が安定 しているからこそ、ソーシャルメディアが活用できるということを認識さ せられた。

災害時におけるソーシャルメディアを用いた支援システム

48

5. 考察

5.2 公助への利用 自助・公助・共助という言葉があって、自助は自力で助かることである。 また、公助は公的機関によって救出されることで、共助は公的機関以外の 人々、具体的には家族や隣人などに助けられることである。 公助への利用法としては、マップを見て、混雑が激しいところには交通 規制を働かせたり、物資が足りないところには物資提供をしたりするなど、 公的機関にしかできい支援に利用できる。

System Twitter

Mapping

Visualize

Rescue 図 25 システムの公助への利用ダイアグラム

災害時におけるソーシャルメディアを用いた支援システム

49

5. 考察

5.3 共助への利用 大規模災害では、行政も大きな被害を受けて、本来の機能を発揮できな い上、避難場所の運営管理や救助隊の受け入れ、瓦礫撤去、火災の消火な ど次々と公的機関でなくてはできない業務を処理しなくてはいけない状況 になる。 阪神大震災の時に助かった人の内、自助は 70%、共助が 25%、公助 5%

注 21) 阪 神 教 訓「 自 助 共 助 」 生 か せ 読 売 新 聞 (2011 年 7 月 9 日 )http://www.yomiuri. co.jp/e-japan/hyogo/feature/ kobe1309963514616_02/ n e w s / 2 0 1 1 0 7 0 9 OYT8T00258.htm

というデータがあり、共助の重要性が指摘されている。そこで、共助を行 うためのツールとして本研究のシステムの利用が考えられる。 具体的には、トイレや食料の提供、避難所としての民間施設の開放を考 えている個人や企業が、システムによって被災者の行為が可視化されたマッ プを見て、現状の需要を把握し、支援をするしていくという利用法である。 何か支援をしたいという人が、自分の近くで今、困っている人を発見し、 共助をしていくことで、行政を通さず、 「近くにいる人が近くにあるニーズ を満たす」という効率的な支援ができるだろう。

support

System

Intractive

support

trouble

al

pp

su

ize

Ma

Vi

ing

Twitter

trouble

trouble support

図 26 システムの共助への利用ダイアグラム

災害時におけるソーシャルメディアを用いた支援システム

50

6. まとめ

6. まとめ 本研究は建築的な視点が少なく、情報工学の研究ではないかと感じた読 者がいるかもしれない。しかし、建築はそもそも人間の行動や地理的な状 況を把握するところから始まり、その情報を基に計画をしていく。従って、 建築や都市計画に必要な情報を取得するために、人間の行為を始めとした 様々な情報が蓄積され続け、しかも検索や抽出といった処理に長けている、 Web ネットワークや情報処理を用いることは有用であり、今後もその重要 性は増していくと考える。 特に、有事においては時々刻々状況が変化し、その都度、被害やニーズ といった情報を取得し、対策を講じていかなくてはいけない。そこでは、 リアルタイムな Web 上の情報を用いる有用性が増すわけだが、あくまで集 めたものは情報でしかない。その情報を用いて、どういった対策が建築や 都市計画という視点からアウトプットできるかが最終的に必要になる。 従って、情報工学として独立したものではなく、建築や都市分野への相 互的な連携を目指して本研究は進めてきた。つまり、建築や都市分野といっ た生活に直接関わっていく分野に応用できるような、ツールや手法を作成 したことが本研究の成果である。

災害時におけるソーシャルメディアを用いた支援システム

51

終わりに

自分卒論 お疲れ これで飲めるぞ

@hitoshiw この学科に入って一番良かったことは先生の研究室に入 ったことです。この一年が今までの人生で一番勉強になりそうです。 @kazutontan「それが何の役に立つか」この言葉に悩まされまし たが、本当に本当に大事なことです。社会に出ても大事にします。 @natsukosan 健康ゼミに遊びにいったときは暖かく迎えて頂き、 ありがとうございます。たまに鋭い指摘気持ちいいです。 @kousukekikuchi 技術面で相当お世話になりました。いつもうれし そうに紹介してくれる本を理解できる様になりたいです。 @mabuchidaiu 研究の話をぶっさんとした記憶がないのですが、よ く窓際で並んで作業したこと忘れません。貧乏揺すりすいません @gakkysan プロジェクトではいつもお世話になってます。すっぱ いもの今度なにか差し上げます。 @yukarincho 3 月の配属面談からずっとお世話になりました。研 究の相談中にボケても笑ってくれる担当者で本当に良かったです。 @yutanp0o0 ゼミで僕の考えをうまくまとめて頂き、その回転の 良さにいつも救われました。下ネタも気付くのが早いです。 @dotti11 担当じゃなくても親身に相談のって頂きありがとうござ いました。プレイボーイ購入はお任せ下さい。 @Taisuke51k 論文やデザインをかなり参考にさせて頂きました。 たまにバイタリティ余ってるので恩返しに分けてあげます。 @pethio_js インデありがとうございました。いつも研究室にいて 僕のホラ話にいつも突っ込み入れて頂きありがとうございます @bossneko 実はすごく面倒見の良いところ感動しました。あと 人の過去を根掘り葉掘り聞くの僕も好きです。 @jumborin VBA についてかなりお世話になりました。次はゴルフ についてご教授下さい＠w＠ノ @miz_otty マイナーなネタに気付いて頂けるのはうれしいです。 追分では大事なところ燃やしてしまい申し訳なかったです。 @HIROKIISHII いつも研究室を支えて頂き感謝しています。旅行で は現地のガイドさんとして幹事がいい感じです。 @yurika45 ゼミや研究室を支えて頂き感謝しています。ヨゴさん がいなければ研究室とスタ丼は潰れていることでしょう。 @sijie45iphone の件では、お世話になりました。来年から新しい ところでチョウがんばってください。 @shoheiishii ゼミ合宿の MVP だと思います。あの潔さ素晴らしか ったです。また、研究室に顔出してください。 @Gouonn 思えば、大学で一番深い付き合いかもしれない。1 年の ころ毎週飲んでて、研究室まで同じなのだから当然だよね。 @ayam731 すこしずつ下品な話に耐性がついきたのがうれしい。 @ いとう自己嫌悪いっし dsasas さささささっ s ゅうの d ささ あと、生活力のない僕をいつも助けてくれてありがとう。 さあっさあさ s @momomomoeko475 研究室入るまではわかんなかったけど、結 @ まつお自己嫌悪いっし dsasas さささささっ s ゅうの d ささ 構話盛り上がるよね。馬鹿話 ( 主にシモ ) ができる仲は素晴らしい。 さあっさあさ s @shojiwatanabe03 学年は違えど、同じ卒論生として、一緒にや @ むらもと自己嫌悪いっし dsasas さささささっ s ゅうの d ささ ってきたことは何かの縁だと思う。本当は AKB オタクだもんね さあっさあさ s @narita おいがんばれー。卒業しろよー。夜が明けたぞー。たばこ ばっか吸うなよー。

参考文献

参考文献 高田裕之 大川亮 井田敦之 土屋伸一 長谷見雄二 : 首都圏地震時の帰 宅困難者の帰宅行動に伴うトイレに関する研究 研究報告集 II, 建築計画・ 都市計画・農村計画・建築経済・建築歴史・意匠 (79), 129-132,2008 年 大川亮 井田敦之 土屋伸一 長谷見雄二 : 首都直下地震を想定した帰宅 困難者に対する帰宅支援のあり方に関する研究 研究報告集 II, 建築計画・ 都市計画・農村計画・建築経済・建築歴史・意匠 (78), 173-176,2009 年 鳥海重喜 : 東日本大震災による首都圏鉄道利用者の帰宅困難問題 ,2011 年 岡瑞起 李明喜 橋本康弘 宇野良子 荒牧英 :Augmented Campus: 拡 張するキャンパス , 可視化情報学会誌 30(-), 239-242,2010 年 吉田光男 乾孝司 山本幹雄 : リンクを含むつぶやきに着目した Twitter の分析 ,2010 年 藤坂達也 , 李龍 , 角谷和俊 , 実空間マイクロブログ分析による地域イベント の影響範囲推定 , 電子情報通信学会 第 2 回データ工学と情報マネジメント に関するフォーラム (DEIM2010),2010 年 グェンミン テイ , 川村 隆浩 :Twitter からの人間行動属性の自動抽出 , 電子 情報通信学会技術研究報告 110(105), 19-23,2010 年 レオン末松豊インティ 村里英樹 藤原義久 木俵豊 : ソーシャルタギン グシステムを用いたユーザの関心の発見 ,2010 年 久野綾子 西尾信彦 : パーソナルコンテンツと場所を関連づけるためのプ ラットフォーム ,2007 年

松本光弘 清原良三 福井秀徳 沼尾正行 栗原聡 : 携帯端末による人物 行動履歴の分析に関する一考察 ,2007 年 奥津拡 遠田敦 菊地弘祐 渡辺仁史 : ソーシャルネットワークを用いた 都市生活者の時空間分布モデル ,2010 年

災害時におけるソーシャルメディアを用いた支援システム

52

参考文献

遠藤大介 稲永真一 堀江真史 杉田薫 : 災害情報デザインに関する研究 災害復興ボランティア支援システムの考察 ,2011 年 内閣府 : 帰宅行動シミュレーション結果に基づく トイレ需給等に関する試 算について ,2008 年 内閣府 : 首都圏整備に関する年次報告 ,2011 年 日本経済新聞 2010 年 4 月 13 日朝刊 : いまさら聞けない 「ソーシャルメディ ア」とは ? 梅田望夫 : ウェブ進化論 , ちくま新書 ,2006 年 佐々木俊尚 : キュレーションの時代 , ちくま新書 ,2011 年 サーベイリサーチセンター : 自主調査「震災後の通信状況に関する調査」調 査結果 ,2011 年 東浩紀 : 思想地図β vol.2 , 合同会社コンテクチュアズ ,2011 年 立入勝義 : 検証 東日本大震災 そのときソーシャルメディアは何を伝えた か ?, ディスカヴァー携書 ,2011 年 野村総合研究所 : ソーシャルメディアに期待される「新しい公共」として の役割 - 東日本大震災を契機に高まる共助の機運を活かすために -,2011 年 ウェザーニュース : 東日本大震災における「帰宅困難調査」結果発表 ,2011 年 ,http://weathernews.com/ja/nc/press/2011/110411_2.html 日経ビジネスオンライン : 大震災で明確になった∼ ソーシャルメディ ア 3 つ の 限 界 と 4 つ の 可 能 性 ,http://business.nikkeibp.co.jp/article/ manage/20110323/219105/?P=2

災害時におけるソーシャルメディアを用いた支援システム

53

資料 Data

データ収集プログラムコード TweetStreamerList.pl T w e e t G l e a n e r. p l データ分析プログラムコード read_UTF800000_CSV 震災時 Tweet 抽出語出現回数一覧 「 寒 さ 」「 待 機 」「 混 雑 」「 疲 労 」「 休 息 」「 食 」 関連語一覧 共起ネットワーク 震災時行動別分布

災害時におけるソーシャルメディアを用いた支援システム

55

資料

データ収集プログラムコード ( TweetStreamerList.pl) #!C:\Perl\bin\perl # Twitter の公式 TimeLine からジオタグ付きの発言ユーザーをリストアップする use strict; use AnyEvent::Twitter::Stream; use Encode(); use Encode::Guess qw/shift-jis euc-jp utf-8/; use LWP::UserAgent; use XML::Simple; my $done = AnyEvent->condvar; # Twitter API my $user

= "juiz_nr2";

my $password

= "z1pp1ded00";

# my $keyword

= "twitpic,yfrog,flickr,panoramio,picasa,bit.ly,ow.ly,twitvid,tweetreel,movapic,bctiny,twitr

pix,tweetphoto,pikchur,img.ly,mobypicture,bkite,bctiny"; # my $keyword

= "twitpic.com,yfrog.com,flickr.com,panoramio.com,picasa.com,bit.ly,ow.ly,twitvid.

com,tweetreel.com,movapic.com,bctiny.com,twitrpix.com,tweetphoto.com,pikchur.com,img. ly,mobypicture.com,bkite.com,bctiny.com"; my $method

= "sample";

&main(); # die($keyword);

# メイン処理 # -----------------------------------------------------------------------------sub main { binmode STDOUT, ":encoding(sjis)"; # binmode STDOUT, ":utf8";

災害時におけるソーシャルメディアを用いた支援システム

56

資料

my $tsreamer = AnyEvent::Twitter::Stream->new( username => $user, password => $password, # track => $keyword, method => $method, on_tweet => sub { my $tweet = shift; my $tsTweetid

= $tweet->{id};

my $tsUser my $tsLocation

= $tweet->{user}{screen_name}; = $tweet->{user}{location};

my $tsTime

= $tweet->{created_at};

my $tsTz

= $tweet->{user}{time_zone};

my $tsText

= $tweet->{text};

my @tsGeo

= $tweet->{geo}{coordinates};

my $tsGeoLat

= ${$tsGeo[0]}[0];

my $tsGeoLon

= ${$tsGeo[0]}[1];

$tsUser

= s/\,¦\r¦\n¦\t//g;

$tsLocation

= s/\,/ /g;

$tsLocation

= s/\r¦\n¦\t//g;

$tsText

= s/\,¦\r¦\n¦\t//g;

my $tsDate = time; my @tsHttp = $tsText = /s?https?:\/\/[-_.! *'()a-zA-Z0-9;\/?:\@&=+\$,%#]+/g; my $tsUrl = join("\,",@tsHttp); # 範囲指定（日本付近に限定！） # if ( $tsGeoLat && $tsGeoLon ) { if ((( 22.614011 <= $tsGeoLat ) && ( $tsGeoLat <= 28.362402 )) && (( 122.387695 <= $tsGeoLon ) && ( $tsGeoLon <= 128.397217 )) ¦¦ (( 24.786735 <= $tsGeoLat ) && ( $tsGeoLat <= 34.307144 )) && (( 128.397217 <= $tsGeoLon ) && ( $tsGeoLon < 129.100342 )) ¦¦ (( 24.786735 <= $tsGeoLat ) && ( $tsGeoLat

災害時におけるソーシャルメディアを用いた支援システム

57

資料

<= 34.903953 )) && (( 129.100342 <= $tsGeoLon ) && ( $tsGeoLon < 131.418457 )) ¦¦ (( 24.786735 <= $tsGeoLat ) && ( $tsGeoLat <= 37.892196 )) && (( 131.418457 <= $tsGeoLon ) && ( $tsGeoLon < 137.746582 )) ¦¦ (( 24.786735 <= $tsGeoLat ) && ( $tsGeoLat <= 38.762650 )) && (( 137.746582 <= $tsGeoLon ) && ( $tsGeoLon < 139.108887 )) ¦¦ (( 24.786735 <= $tsGeoLat ) && ( $tsGeoLat <= 45.706179 )) && (( 139.108887 <= $tsGeoLon ) && ( $tsGeoLon <= 149.106445 ))) { # ジオタグがついている場合のみ、ジオタグを付けるユーザーの可能性があるのでリストに加える if (( $tsGeoLat ) && ( $tsGeoLon )) {my @LISTS = (); # すでにリストに加わっていないかチェックする open ( IN , " ./TweetStreamerList.csv" ); @LISTS = <IN>; lose ( IN ); my $flag = 1; foreach my $list ( @LISTS ) { $list = s/\n¦\r//g; ( my $lsDate , my $lsUser , my $lsTweetid ) = split ( /\,/ , $list ); if ( $lsUser eq $tsUser ) { $flag = 0; last;} } if ( $flag == 1 ) { my $temp = "$tsDate,$tsUser,$tsTweetid\n"; # 記録 open ( OUT , ">>./TweetStreamerList.csv" ); print OUT $temp; close ( OUT ); print $temp;} } } }, on_error => sub { my $error = shift; warn "ERROR: $error"; $done->send; }, on_eof => sub { $done->send; }, ); $done->recv; }

災害時におけるソーシャルメディアを用いた支援システム

58

資料

データ収集プログラムコード ( TweetGleaner.pl) #!C:\Perl\bin\perl # TweetGreaner.pl # -----------------------------------------------------------------------------# 設定事項 # TwitterAPI 関連のキー（独自に取得する事） $consumer_key

= "DT1Re5AUwelVPlijFX3aAA";

$consumer_secret

= "cQoIIj8j8U8IyQIKZOCTPTmaS6bNkFuwMF20HiAKYc";

$access_token

= "224172313-NeXx0FI1pVbxx2DrcHsPfHk90FCcLymypcXns05i";

$access_token_secret = "GW1pHN3n5DJct8Il5icqCkB5vRxI5WCgEfSt2Bdik4"; # API 規制回避のための 1 時間あたりの問い合わせ数 ( 最大 350 回 ) $waitTime = 180; # use strict; use Encode(); use Encode::Guess qw/shift-jis euc-jp utf-8/; use LWP::UserAgent; use LWP::Simple 'get'; use XML::Simple; use Net::Twitter; use Data::Dumper; &main(); # メイン処理 # -----------------------------------------------------------------------------sub main {binmode STDOUT, ":encoding(sjis)"; # 繰り返す while ( 1 ){# フォーマット $newTweetid = ""; $flagLast = 0; # リストデータを読み込む open ( IN , "./TweetStreamerList.csv" ); @LISTS = <IN>;close( IN );

災害時におけるソーシャルメディアを用いた支援システム

59

資料

# 任意のユーザーを選択する $list = $LISTS[rand($#LISTS + 1)]; $list = s/\n¦\r//g; # 対象者の検索開始時刻を得る ($lsTweetid) ( $lsDate , $lsUser , $lsTweetid ) = split ( /\,/ , $list ); print "\nID: $lsDate, User: $lsUser, Tweetid: $lsTweetid\n"; # 取得ページ番号 (1 から ) $page = 1; # 最終記事を取得するまで繰り返す while ( 1 ){# フォーマット $OUT = ""; # 記事を取得 # OAuth 方式 my $twit = Net::Twitter->new(traits => [qw/API::REST OAuth WrapError/],consumer_key => $consumer_key,consumer_secret => $consumer_secret,ssl => 1,); $twit->access_token

($access_token);

$twit->access_token_secret($access_token_secret); $TWEETS = $twit->user_timeline({ screen_name => $lsUser, page => $page }); # warn Dumper($TWEETS); # die $TWEETS; # 取得できたとき if ( $TWEETS ){ # warn Dumper($tweet); # die; print "- $page\n"; # 記事番号 $a = 0; # ひとつずつ記事を読み込む foreach $tweet ( @$TWEETS ) { # 読み込めなかったら抜ける if ( not defined( $tweet->{text} ))

災害時におけるソーシャルメディアを用いた支援システム

60

資料

{ # 終了フラグ $flagLast = 1;last;} else { # フォーマット $twUser = ""; $twTime = ""; $twText = ""; $twGeoNS = ""; $twGeoEW = ""; # 取得データの各記事ごとに投稿時刻を得る # すでにあるとき { # なにもしない } # 取得データの最新記事時刻（リスト更新の際に記録する）は別で保存しておく else {$newTweetid = $tweet->{id};} # 記事の投稿時刻 $twTweetid = $tweet->{id}; # print "$a / $twTweetid / $lsTweetid\n"; # 投稿時刻と検索開始時刻とを比較する # 投稿時刻＞検索開始時刻のとき（つまり、検索開始時刻よりも新しい記事のとき）は記事を記録して次 の記事へ if (( $twTweetid > $lsTweetid ) ¦¦ ( $lsTweetid eq "" )) { # ジオタグ $twGeoNS = "$tweet->{geo}{coordinates}[0]"; $twGeoEW = "$tweet->{geo}{coordinates}[1]"; # ジオタグがある時 # if ( $twGeo ) #{ $twGeo = s/ /\,/g; # ユーザー名 $twUser = "$tweet->{user}{screen_name}";

災害時におけるソーシャルメディアを用いた支援システム

61

資料

# 投稿時刻 $twTime = "$tweet->{created_at}"; # 記事 $twText = "$tweet->{text}"; $twText = s/\n¦\r//g; # print "> ID: $lsDate, User: $lsUser, Page: $page, Line: $a, Tweet: $twTime\n"; $OUT = "$twTweetid\t$twUser\t$twTime\t$twText\t$twGeoNS\t$twGeoEW\n" . $OUT; #} # 投稿時刻＝検索開始時刻のとき、記録せず抜ける } elsif ( $twTweetid <= $lsTweetid ) { # 終了フラグ $flagLast = 1; last; } } # 次の記事番号にカウントアップ $a++; } } # 取得できなかったとき else { print "- Getting tweet failed.\n"; # 終了フラグ $flagLast = 1; } # ログを記録する if ( $OUT ) {open ( OUT , ">>./Logs/$lsUser.csv" );print OUT $OUT;close ( OUT ); } else { print "- User $lsUser didn't tweet.\n"; # 終了フラグ $flagLast = 1; } # API 規制回避のためスリープ sleep( int ( 60 * 60 / $waitTime )); # 終了フラグ if ( $flagLast == 1 ) {last;} # ページ番号をカウントアップ else {$page++;} } # ユーザーリストの更新データを保存 # データを取得しているとき if ( $newTweetid ) {open ( IN , "./TweetStreamerListEdit10.csv" ); @LISTS = <IN>; close( IN );

災害時におけるソーシャルメディアを用いた支援システム

62

資料

$TEMP = ""; foreach $list ( @LISTS ) {$list = s/\r¦\n//g; ( $tmpDate , $tmpUser , $tmpTweetid ) = split ( /\,/ , $list ); if ( $tmpUser eq $lsUser ) {$TEMP .= "$tmpDate,$tmpUser,$newTweetid\n"; } else {$TEMP .= "$tmpDate,$tmpUser,$tmpTweetid\n"; } } open ( OUT , ">./TweetStreamerListEdit10.csv" ); print OUT $TEMP; close ( OUT ); } # データを取得していないとき else { # なにもしない } # ユーザーのログデータを時系列で整序 if ( open ( IN , "./Logs/$lsUser.csv" )) {@LOGS = <IN>; close ( IN ); %LOGTEMP = (); for ( $i = 0; $i <= $#LOGS; $i++ ) {@TEMP = split ( /\,/ , $LOGS[$i] ); $LOGTEMP{$TEMP[0]} = $LOGS[$i]; } $OUT2 = ""; foreach ( sort keys %LOGTEMP ) { $OUT2 .= $LOGTEMP{$_}; } open ( OUT , ">./Logs/$lsUser.csv" ); print OUT $OUT2; close ( OUT ); } } }

災害時におけるソーシャルメディアを用いた支援システム

63

資料

データ分析プログラム Sub read_UTF800000_CSV() ' 画面のチラつきいらねー Application.ScreenUpdating = False Dim myStream As Object Dim buf As String, buf2 As Variant, buf3 As Variant, buf4() As Variant Dim i As Long, j As Long Dim fName As Variant Dim Filename As Variant Dim FolderPath As Variant Const adReadAll As Long = -1 Const adtypetext As Long = 2

FolderPath = "C:¥Users¥Watanabe¥Desktop¥Logs" fName = Dir(FolderPath & "¥*.csv") Do Until fName = "" Filename = FolderPath & "¥" & fName Set myStream = CreateObject("ADODB.Stream") With myStream .Type = adtypetext .Charset = "UTF-8" .Open .LoadFromFile (Filename) buf = .ReadText(adReadAll) .Close End With Set myStream = Nothing buf2 = Split(buf, vbCrLf) If UBound(buf2) = 0 Then buf2 = Split(buf, vbLf)

災害時におけるソーシャルメディアを用いた支援システム

64

資料

If UBound(buf2) = 0 Then Exit Sub End If ReDim buf4(1 To UBound(buf2) + 1, 1 To UBound(Split(buf2(0), "vbTab")) + 1) For i = 0 To UBound(buf2) buf3 = Split(buf2(i), "vbTab") For j = 0 To UBound(buf3) buf4(i + 1, j + 1) = buf3(j) Next j Next i Range("a1").Resize(UBound(buf4, 1), UBound(buf4, 2)) = buf4 Columns("A:A").Select Selection.TextToColumns Destination:=Range("A1"), DataType:=xlDelimited, _ TextQualifier:=xlDoubleQuote, ConsecutiveDelimiter:=False, Tab:=True, _ Semicolon:=False, Comma:=False, Space:=False, Other:=False, FieldInfo _ :=Array(Array(1, 1), Array(2, 1), Array(3, 1), Array(4, 1), Array(5, 1), Array(6, 1)), _ TrailingMinusNumbers:=True Worksheets.Add fName = Dir() Loop 'End Sub '----------------------------------------------------------------------------------------------------------'Sub GPS なし行削除 () Dim x, y, MaxRow As Long Dim Mysheet As Sheets Set Mysheet = ActiveWorkbook.Sheets For y = 1 To Mysheet.Count MaxRow = Sheets(y).Cells.SpecialCells(xlCellTypeLastCell).Row For x = MaxRow To 1 Step -1 If Sheets(y).Cells(x, 6).Value = "" Then Sheets(y).Rows(x).Delete

災害時におけるソーシャルメディアを用いた支援システム

65

資料

Next x Next y 'End Sub '----------------------------------------------------------------------------------------------------------'Sub 不要シート削除 () Dim intLoop As Integer Application.DisplayAlerts = False For intLoop = Worksheets.Count To 1 Step -1 If WorksheetFunction.CountA(Worksheets(intLoop).UsedRange) = 0 Then If Worksheets.Count > 1 Then Worksheets(intLoop).Delete End If Next intLoop Application.DisplayAlerts = True End Sub '----------------------------------------------------------------------------------------------------------'Sub シート統合 () Dim z As Integer ' 先頭にワークシートを 1 枚追加 Worksheets.Add before:=Worksheets(1), Count:=1 ' エラーの無視 On Error Resume Next For z = 2 To Worksheets.Count ' 元データを選択してコピー Worksheets(z).Select Range("A1").CurrentRegion.Select If z > 2 Then

災害時におけるソーシャルメディアを用いた支援システム

66

資料

Selection.Resize(Selection.Rows.Count - 1).Offset(1).Select End If Selection.Copy ' 先頭のワークシートに貼り付け Worksheets(1).Select If z = 2 Then Range("A1").Select Else Cells(ActiveSheet.Rows.Count, 1).End(xlUp).Offset(1).Select End If ActiveSheet.Paste Next z ' エラーの無視解除 On Error GoTo 0 ' コピーモードを解除して全シートの A1 セルを選択 Application.CutCopyMode = False Worksheets.Select Range("A1").Select Worksheets(1).Select 'End Sub '----------------------------------------------------------------------------------------------------------'Private Sub kml 変換 () Dim myTxtFile, color() As String, myFNo As Integer Dim myLastRow, IX As Long, k As Long ' 画面のチラつきいらねー Application.ScreenUpdating = False myTxtFile = Application.GetSaveAsFilename("kmlFile1", "kml ファイル (*.kml),*.kml") ' 最後のシートを選択 Worksheets(1).Activate

災害時におけるソーシャルメディアを用いた支援システム

67

資料

myLastRow = ActiveSheet.Cells.SpecialCells(xlCellTypeLastCell).Row IX = myLastRow ReDim color(IX) myFNo = FreeFile Open myTxtFile For Output As #myFNo

Print #myFNo, "<?xml version=""1.0"" encoding=""UTF-8""?>" Print #myFNo, "<kml xmlns=""http://earth.google.com/kml/2.2"">" Print #myFNo, "<Document><name>Major Station at Kinki Area</name>" For k = 1 To myLastRow ' テキストマイニング ffffaaff 紫 ff0055ff オレンジ ffffff00 水色 ff00aa00 緑 ffff0000 青 ff0000ff 赤 If InStr(Cells(k, 4).Value, "*****") > 0 Then color(k) = "ffffaaff" ElseIf InStr(Cells(k, 4).Value, "*****") > 0 Then color(k) = "ff0055ff" ElseIf InStr(Cells(k, 4).Value, "*****") > 0 Then color(k) = "ffffff00" ElseIf InStr(Cells(k, 4).Value, "*****") > 0 Then color(k) = "ff00aa00" ElseIf InStr(Cells(k, 4).Value, "*****") > 0 Then color(k) = "ff0000ff" Else: GoTo Lavel End If

Print #myFNo, "<Placemark>" Print #myFNo, "<Style id=""s_ylw-pushpin"">" Print #myFNo, "<IconStyle>" Print #myFNo, "<color> "; color(k); " </color>" Print #myFNo, "<scale>0.8</scale>" Print #myFNo, "<Icon>" Print #myFNo, "<href>" Print #myFNo, "http://maps.google.com/mapfiles/kml/shapes/shaded_dot.png"

災害時におけるソーシャルメディアを用いた支援システム

68

資料

Print #myFNo, "</href>" Print #myFNo, "</Icon>" Print #myFNo, "</IconStyle>" Print #myFNo, "<LabelStyle>" Print #myFNo, "</LabelStyle>" Print #myFNo, "<ListStyle>" Print #myFNo, "</ListStyle>" Print #myFNo, "</Style>" Print #myFNo, "<name></name>" Print #myFNo, "<Point>" Print #myFNo, "<coordinates>" & Cells(k, 6) & "," & Cells(k, 5) & ",0</coordinates>" Print #myFNo, "</Point>" Print #myFNo, "</Placemark>" Lavel:

Next

Print #myFNo, "</Document>" Print #myFNo, "</kml>" Close #myFNo

End Sub

災害時におけるソーシャルメディアを用いた支援システム

69

資料

震災時 Tweet 抽出語出現回数一覧 名詞

サ変名詞

地震

1699 帰宅

情報

形容動詞

固有名詞

626 無事

1431 銀座線

87

802 避難

608 大丈夫

1252 ヲ

86

津波

701 連絡

601 緊急

313 半蔵門線

63

余震

584 電話

563 大変

235 東京タワー

56

会社

517 心配

547 可能

215 ソ

55

電車

358 確認

416 安全

197 浅草線

47

被害

355 停電

388 無理

162 新宿線

37

状況

324 運転

367 不安

121 田園都市線

37

揺れ

324 メール

366 マジ

117 山手線

34

震度

313 拡散

312 ダメ

110 三田線

32

テレビ

302 携帯

290 必要

108 京王線

26

原発

282 再開

289 普通

87 スマ

23

災害

281 速報

278 元気

83 南北線

23

家族

255 復旧

271 困難

81 東海道新幹線

21

電気

250 お願い

225 非常

79 東海道線

21

実家

248 希望

224 危険

76 リ

20

ガス

236 仕事

221 公式

72 羽田空港

20

疲れ

236 渋滞

190 確か

60 明治

20

自分

232 警報

174 完全

60 千代田線

19

ビル

230 待機

163 大事

56 有楽町線

19

バス

227 開放

161 残念

47 ディズニーランド 18

場所

225 移動

160 不明

47 東西線

18

自宅

196 被災

155 だめ

45 名取川

18

皆さん

193 注意

132 便利

43 井の頭線

17

ニュース

179 安心

128 十分

39 さいたま

16

徒歩

172 中止

128 大切

38 横浜アリーナ

16

無料

172 予定

127 うぶ

36 セブン

15

安否

162 確保

125 変

32 押上

15

31 田町

157 0

31 九段下

13

感じ 155 到着 124 災害時におけるソーシャルメディアを用いた支援システム 状態

151 充電

異常

120 確実

資料

組織名 阪神

人名

ナイ形容

地名

100 笑

144 東京

632 問題

112

ソフトバンク

59 阪

47 仙台

305 仕方

38

小田急

57 テレ

31 日本

291 申し訳

38

ドコモ

50 羽田

29 福島

275 違い

18

東急

47 菅

24 宮城

227 間違い

16

フジテレビ

43 京

23 新宿

215 しょうが

14

ロ

40 石原

23 渋谷

185 とんでも

13

東京電力

37 ヒルズ

18 東北

176 頼り

8

自衛隊

30 まどか

17 横浜

160 限り

5

西武

29 ハン

17 千葉

160 しかた

3

パ

26 震

16 品川

129 大人気

2

川崎

25 マイ

15 長野

115 致し方

2

ビックカメラ

24 ローソン

13 茨城

109 容赦

2

日経

24 上野

13 関東

109 もうしわけ

1

立教大学

24 ツイ

12 新潟

101 申しわけ

1

気象庁

23 安藤

12 神奈川

101 他愛

1

都営地下鉄

21 悟

12 大阪

96 大人げ

1

コスモ石油

20 市ヶ谷

12 静岡

92 味気

1

高島屋

20 中越

12 太平洋

86 面目

1

東武

20 三田

11 気仙沼

83

サンクス

19 汐留

11 名古屋

80

京王

19 広尾

9 池袋

72

高輪

19 神田

9 埼玉

66

青山学院大学

19 あや

8 福岡

58

サントリー

18 とら

8 岩手

57

フジ

18 アン

8 淡路

54

読売新聞

18 イラ

8 東日本

53

品川プリンスホテル 18 育

8 京都

46

京成 17 田町 災害時におけるソーシャルメディアを用いた支援システム

8 浅草

44

テレコム

8 北海道

42

15 譚

71

資料

副詞可能

未知語

感動詞

動詞

今

606 RT

4142 ありがとう

719 思う

767

今日

581 ー

1517 う

243 帰る

713

時間

344 縺

1083 あ

165 揺れる

696

明日

272 (

1047 おはよう

159 歩く

609

前

262 ?

1022 ああ

115 見る

512

近く

161 )

993 ま

93 出る

472

現在

159 at

647 おお

85 動く

457

いま

140 I

553 なんか

84 来る

413

今回

123 ??

476 うん

79 行く

381

夜

114 of

458 ま

75 言う

371

本日

111 ???

421 まぁ

71 帰れる

370

一番

106 M

391 え

62 寝る

288

全部

97 the

391 ありがと

60 止まる

284

場合

96 Twitter

360 はい

60 出来る

229

一部

93 w

351 あ

53 頑張る

225

昨日

93 Earthquake

338 うわ

50 入る

203

朝

92 NHK

296 ええ

47 使う

188

いつ

81 (@

294 な

47 使える

184

途中

65 繧

289 なるほど

41 繋がる

178

たくさん

64

286 お

40 続く

164

全て

64 ????

264 お疲れさま

39 取れる

161

今夜

60 JR

257 え

37 知る

161

今度

59 -

254 おめでとう

37 落ちる

160

結局

55 Mar

253 こりゃ

36 付ける

157

絶対

46 ...

251 おぉ

34 祈る

153

あと

45

243 おっ

31 起きる

153

すべて

45 Japan.

241 あー

30 落ち着く

147

今後

45

238 と

30 買う

145

普段 45 2 災害時におけるソーシャルメディアを用いた支援システム

233 ねぇ

30 倒れる

終日

225 有難う

27 着く

40

11

1

3

2011

7 2143

140

資料

副詞

形容詞

名詞B

動詞B

良い

361 本当に

188 うち

258 する

6848

怖い

292 少し

172 あと

116 なる

1854

多い

213 何より

145 とこ

86 ある

1370

無い

193 結構

105 まとめ

60 いる

1129

早い

187 全然

101 かも

43 できる

715

寒い

156 初めて

74 さま

38 つける

554

悪い

116 全く

73 そば

32 なう

463

大きい

113 特に

57 もの

31 くる

427

凄い

105 一応

53 だし

27 やる

424

長い

91 多分

43 ちゃん

26 つく

363

強い

90 必ず

35 つぶやき

25 いう

349

近い

82 色々

31 おかげ

24 わかる

296

高い

76 どー

30 きた

23 みる

246

少ない

57 相当

29 おい

22 よる

212

酷い

47 もう少し

28 ひと

22 ねる

188

遠い

46 何とか

27 ほんま

22 つながる

155

痛い

45 引き続き

26 めん

22 ゆれる

121

明るい

45 実際

25 かしら

21 ちる

120

暗い

44 改めて

23 しま

18 がんばる

116

遅い

43 取り敢えず

23 おにぎり

17 しれる

116

危ない

38 再度

22 ひとり

17 いく

113

欲しい

36 ホッ

21 おなか

16 でる

113

辛い

35 一旦

21 あたり

15 とれる

113

暖かい

35 未だ

21 かん

15 かかる

106

眠い

35 意外と

20 さくら

15 きる

86

恐ろしい

32 極力

20 ろう

15 つる

82

小さい

32 幸い

20 ごはん

14 かける

79

難しい

30 再び

20 どん

14 とる

73

14 すねる

727 3

13 だく

72

激しい 26 ニコニコ 19 災害時におけるソーシャルメディアを用いた支援システム 新しい

25 既に

ばあちゃん

18 うどん

資料

形容詞B

副詞B

ない

975 まだ

671

よい

513 とりあえず

409

いい

402 そう

377

すごい

324 どう

377

やばい

191 もう

326

っぽい

104 ちょっと

174

ひどい

85 かなり

161

こわい

72 やっと

136

よろしい

69 これから

134

でかい

48 また

134

ありがたい

45 さっき

117

くらい

45 なんとか

114

うまい

39 さすが

111

おかしい

39 いつも

92

こい

33 やっぱり

88

うい

31 まだまだ

73

ええ

30 すぐ

72

すい

27 ゆっくり

70

ものすごい

26 そろそろ

63

えらい

22 ほとんど

63

はやい

20 ようやく

61

うれしい

17 ずっと

58

ほしい

17 ほんと

58

しんどい

16 もっと

57

おいしい

14 さ

53

くい

14 やはり

52

すばらしい

14 しばらく

51

まずい

14 いっぱい

50

つらい 12 ちゃんと 50 災害時におけるソーシャルメディアを用いた支援システム あったかい

11 もうすぐ

49

74

資料

「疲れる」関連語一覧 No.

抽出語

品詞

全体

1 休む 動詞 68 (0.003) 2 無事 形容動詞 1322 (0.054) 3 何より 副詞 145 (0.006) 4 帰宅 サ変名詞 592 (0.024) 5 本当に 副詞 181 (0.007) 6 お気 名詞 140 (0.006) 7 [Visca 未知語 95 (0.004) 8 Bar?a!!] 未知語 95 (0.004) 9 休める 動詞 25 (0.001) 10 休み 名詞 33 (0.001) 11 帰れる 動詞 360 (0.015) 12 時間 副詞可能 327 (0.013) 13 帰る 動詞 678 (0.028) 14 大変 形容動詞 229 (0.009) 15 ー 未知語 1202 (0.049) 16 疲れる 動詞 67 (0.003) 17 皆様 名詞 85 (0.003) 18 家 名詞C 491 (0.020) 19 m(_ 未知語 29 (0.001) 20 _)m 未知語 29 (0.001) 21 少し 副詞 170 (0.007) 22 ありがとう 感動詞 707 (0.029) 23 着く 動詞 140 (0.006) 24 自分 名詞 218 (0.009) 25 出来る 動詞 219 (0.009) 26 おはよう 感動詞 150 (0.006) 27 祈る 動詞 151 (0.006) 28 RT 未知語 3017 (0.124) 29 付ける 動詞 153 (0.006) 30 癒す 動詞 4 (0.000) 31 今日 副詞可能 566 (0.023) 32 歩く 動詞 566 (0.023) 33 全員 名詞 86 (0.004) 34 気 名詞C 572 (0.023) 35 朝 副詞可能 88 (0.004) 36 @fukubaya 未知語 10 (0.000) 37 昨日 副詞可能 93 (0.004) 38 早い 形容詞 182 (0.007) 39 下さる 動詞 16 (0.001) 40 自宅 名詞 188 (0.008) 41 居酒屋 名詞 19 (0.001) 災害時におけるソーシャルメディアを用いた支援システム 42 風邪 名詞 23 (0.001) 43 (&gt;_&lt;) 未知語 110 (0.005) 44 体 名詞C 31 (0.001)

共起

Jaccard

16 (0.068) 60 (0.255) 14 (0.060) 26 (0.111) 9 (0.038) 8 (0.034) 7 (0.030) 7 (0.030) 5 (0.021) 5 (0.021) 11 (0.047) 10 (0.043) 16 (0.068) 8 (0.034) 24 (0.102) 5 (0.021) 5 (0.021) 11 (0.047) 4 (0.017) 4 (0.017) 6 (0.026) 13 (0.055) 5 (0.021) 6 (0.026) 6 (0.026) 5 (0.021) 5 (0.021) 42 (0.179) 5 (0.021) 3 (0.013) 10 (0.043) 10 (0.043) 4 (0.017) 10 (0.043) 4 (0.017) 3 (0.013) 4 (0.017) 5 (0.021) 3 (0.013) 5 (0.021) 3 (0.013) 3 (0.013) 4 (0.017) 3 (0.013)

0.0557 0.0401 0.0383 0.0325 0.0221 0.0218 0.0217 0.0217 0.0196 0.019 0.0188 0.0181 0.0178 0.0175 0.017 0.0168 0.0159 0.0154 0.0154 0.0154 0.015 0.014 0.0135 0.0134 0.0134 0.0132 0.0131 0.0131 0.0131 0.0127 0.0126 0.0126 0.0126 0.0125 0.0125 0.0124 0.0123 0.0121 0.0121 0.012 0.012 0.0118 0.0117 0.0114

75

資料

「混む」関連語一覧 No.

抽出語

品詞

全体

1 激 サ変名詞 16 (0.001) 2 道 名詞C 77 (0.003) 3 大江戸 名詞 82 (0.003) 4 劇 名詞C 4 (0.000) 5 バス 名詞 208 (0.009) 6 ラッシュ 名詞 9 (0.000) 7 無理 形容動詞 155 (0.006) 8 麻布十番 地名 15 (0.001) 9 動く 動詞 438 (0.018) 10 方向 名詞 40 (0.002) 11 見込み 名詞 45 (0.002) 12 ホーム 名詞 45 (0.002) 13 浅草線 固有名詞 46 (0.002) 14 下車 サ変名詞 5 (0.000) 15 電車 名詞 350 (0.014) 16 小田急 組織名 57 (0.002) 17 山手 地名 10 (0.000) 18 ガラガラ 形容動詞 11 (0.000) 19 吉祥寺 地名 13 (0.001) 20 道路 名詞 120 (0.005) 21 急 形容動詞 15 (0.001) 22 具合 名詞 16 (0.001) 23 終電 名詞 18 (0.001) 24 改札 サ変名詞 20 (0.001) 25 都営地下鉄 組織名 21 (0.001) 26 入場 サ変名詞 21 (0.001) 27 コーヒー 名詞 22 (0.001) 28 めちゃくちゃ 形容動詞 22 (0.001) 29 復旧 サ変名詞 253 (0.010) 30 南北線 固有名詞 23 (0.001) 31 商品 名詞 24 (0.001) 32 京王線 固有名詞 25 (0.001) 33 様子 名詞 88 (0.004) 34 規制 サ変名詞 31 (0.001) 35 三田線 固有名詞 31 (0.001) 36 歩道 名詞 34 (0.001) 37 こりゃ 感動詞 36 (0.001) 38 一安心 名詞 41 (0.002) 39 運転 サ変名詞 314 (0.013) 40 交差点 名詞 43 (0.002) 41 方面 名詞 116 (0.005) 災害時におけるソーシャルメディアを用いた支援システム 42 階段 名詞 48 (0.002) 43 コンビニ 名詞 120 (0.005) 44 品川 地名 121 (0.005)

共起

Jaccard

9 (0.097) 7 (0.075) 6 (0.065) 3 (0.032) 9 (0.097) 3 (0.032) 7 (0.075) 3 (0.032) 12 (0.129) 3 (0.032) 3 (0.032) 3 (0.032) 3 (0.032) 2 (0.022) 9 (0.097) 3 (0.032) 2 (0.022) 2 (0.022) 2 (0.022) 4 (0.043) 2 (0.022) 2 (0.022) 2 (0.022) 2 (0.022) 2 (0.022) 2 (0.022) 2 (0.022) 2 (0.022) 6 (0.065) 2 (0.022) 2 (0.022) 2 (0.022) 3 (0.032) 2 (0.022) 2 (0.022) 2 (0.022) 2 (0.022) 2 (0.022) 6 (0.065) 2 (0.022) 3 (0.032) 2 (0.022) 3 (0.032) 3 (0.032)

0.09 0.0429 0.0355 0.0319 0.0308 0.0303 0.029 0.0286 0.0231 0.0231 0.0222 0.0222 0.0221 0.0208 0.0207 0.0204 0.0198 0.0196 0.0192 0.0191 0.0189 0.0187 0.0183 0.018 0.0179 0.0179 0.0177 0.0177 0.0176 0.0175 0.0174 0.0172 0.0169 0.0164 0.0164 0.016 0.0157 0.0152 0.015 0.0149 0.0146 0.0144 0.0143 0.0142

76

資料

「待つ」関連語一覧 No.

抽出語

品詞

全体

1 救助 サ変名詞 54 (0.002) 2 30 未知語 58 (0.002) 3 バグ 名詞 6 (0.000) 4 バス 名詞 208 (0.009) 5 製品 名詞 11 (0.000) 6 45 未知語 12 (0.000) 7 乗れる 動詞 54 (0.002) 8 飲み込む 動詞 18 (0.001) 9 帰り 名詞 21 (0.001) 10 焦る 動詞 25 (0.001) 11 交差点 名詞 43 (0.002) 12 ホーム 名詞 45 (0.002) 13 交通 名詞 99 (0.004) 14 次 名詞C 47 (0.002) 15 15 未知語 48 (0.002) 16 都心 名詞 48 (0.002) 17 タクシー 名詞 105 (0.004) 18 時間 副詞可能 327 (0.013) 19 少し 副詞 170 (0.007) 20 たくさん 副詞可能 60 (0.002) 21 チャリンコ 未知語 3 (0.000) 22 電車 名詞 350 (0.014) 23 @koku_bomber: 未知語 4 (0.000) 24 行き 名詞 5 (0.000) 25 @tap_t 未知語 6 (0.000) 26 駅 名詞C 127 (0.005) 27 復旧 サ変名詞 253 (0.010) 28 バス停 名詞 11 (0.000) 29 父親 名詞 11 (0.000) 30 お迎え 名詞 11 (0.000) 31 リリース サ変名詞 12 (0.000) 32 お湯 名詞 13 (0.001) 33 遅延 サ変名詞 13 (0.001) 34 ぷ 未知語 15 (0.001) 35 カップ 名詞 17 (0.001) 36 赤 名詞C 17 (0.001) 37 状態 名詞 148 (0.006) 38 終電 名詞 18 (0.001) 39 若干 副詞可能 18 (0.001) 40 22 未知語 19 (0.001) 41 都営地下鉄 組織名 21 (0.001) 災害時におけるソーシャルメディアを用いた支援システム 42 回復 サ変名詞 23 (0.001) 43 車両 名詞 24 (0.001) 44 もう少し 副詞 28 (0.001)

共起

Jaccard

5 (0.045) 5 (0.045) 3 (0.027) 8 (0.071) 3 (0.027) 3 (0.027) 4 (0.036) 3 (0.027) 3 (0.027) 3 (0.027) 3 (0.027) 3 (0.027) 4 (0.036) 3 (0.027) 3 (0.027) 3 (0.027) 4 (0.036) 8 (0.071) 5 (0.045) 3 (0.027) 2 (0.018) 8 (0.071) 2 (0.018) 2 (0.018) 2 (0.018) 4 (0.036) 6 (0.054) 2 (0.018) 2 (0.018) 2 (0.018) 2 (0.018) 2 (0.018) 2 (0.018) 2 (0.018) 2 (0.018) 2 (0.018) 4 (0.036) 2 (0.018) 2 (0.018) 2 (0.018) 2 (0.018) 2 (0.018) 2 (0.018) 2 (0.018)

0.0311 0.0303 0.0261 0.0256 0.025 0.0248 0.0247 0.0236 0.0231 0.0224 0.0197 0.0195 0.0193 0.0192 0.0191 0.0191 0.0188 0.0186 0.0181 0.0178 0.0177 0.0176 0.0175 0.0174 0.0172 0.017 0.0167 0.0165 0.0165 0.0165 0.0164 0.0163 0.0163 0.016 0.0157 0.0157 0.0156 0.0156 0.0156 0.0155 0.0153 0.015 0.0149 0.0145

77

資料

「寒い」関連語一覧 No.

抽出語

品詞

全体

1 外 名詞C 149 (0.006) 2 頑張る 動詞 219 (0.009) 3 開放 サ変名詞 135 (0.006) 4 夜 副詞可能 111 (0.005) 5 付ける 動詞 153 (0.006) 6 気温 名詞 13 (0.001) 7 電気 名詞 233 (0.010) 8 気 名詞C 572 (0.023) 9 _ 未知語 85 (0.003) 10 暗い 形容詞 42 (0.002) 11 対策 サ変名詞 60 (0.002) 12 震える 動詞 12 (0.000) 13 立教大学 組織名 22 (0.001) 14 元気 形容動詞 81 (0.003) 15 (^-^)/ 未知語 24 (0.001) 16 お気 名詞 140 (0.006) 17 天気 名詞 26 (0.001) 18 暖房 サ変名詞 27 (0.001) 19 無理 形容動詞 155 (0.006) 20 34.989634 未知語 35 (0.001) 21 暖かい 形容詞 35 (0.001) 22 138.942381 未知語 35 (0.001) 23 近く 副詞可能 159 (0.007) 24 14 未知語 42 (0.002) 25 停電 サ変名詞 359 (0.015) 26 明るい 形容詞 43 (0.002) 27 迎える 動詞 52 (0.002) 28 復旧 サ変名詞 253 (0.010) 29 皆さん 名詞 187 (0.008) 30 歩く 動詞 566 (0.023) 31 池袋 地名 67 (0.003) 32 ヤバ 未知語 68 (0.003) 33 場所 名詞 213 (0.009) 34 帰れる 動詞 360 (0.015) 35 思う 動詞 726 (0.030) 36 希望 サ変名詞 220 (0.009) 37 無料 名詞 148 (0.006) 38 帰宅 サ変名詞 592 (0.024) 39 おはよう 感動詞 150 (0.006) 40 附近 名詞 2 (0.000) 41 サポーター 名詞 2 (0.000) 災害時におけるソーシャルメディアを用いた支援システム 42 @nyanmi: 未知語 2 (0.000) 43 暖める 動詞 2 (0.000) 44 困難 形容動詞 78 (0.003)

共起

Jaccard

9 (0.061) 11 (0.075) 8 (0.054) 7 (0.048) 8 (0.054) 4 (0.027) 9 (0.061) 17 (0.116) 5 (0.034) 4 (0.027) 4 (0.027) 3 (0.020) 3 (0.020) 4 (0.027) 3 (0.020) 5 (0.034) 3 (0.020) 3 (0.020) 5 (0.034) 3 (0.020) 3 (0.020) 3 (0.020) 5 (0.034) 3 (0.020) 8 (0.054) 3 (0.020) 3 (0.020) 6 (0.041) 5 (0.034) 10 (0.068) 3 (0.020) 3 (0.020) 5 (0.034) 7 (0.048) 12 (0.082) 5 (0.034) 4 (0.027) 10 (0.068) 4 (0.027) 2 (0.014) 2 (0.014) 2 (0.014) 2 (0.014) 3 (0.020)

0.0314 0.031 0.0292 0.0279 0.0274 0.0256 0.0243 0.0242 0.022 0.0216 0.0197 0.0192 0.0181 0.0179 0.0179 0.0177 0.0176 0.0175 0.0168 0.0168 0.0168 0.0168 0.0166 0.0161 0.0161 0.016 0.0153 0.0152 0.0152 0.0142 0.0142 0.0142 0.0141 0.014 0.0139 0.0138 0.0137 0.0137 0.0137 0.0136 0.0136 0.0136 0.0136 0.0135

78

資料

「食べる」関連語一覧 No.

抽出語

品詞

全体

1 ご飯 名詞 69 (0.003) 2 ラーメン 名詞 41 (0.002) 3 御飯 名詞 6 (0.000) 4 晩 名詞C 16 (0.001) 5 猫 名詞C 19 (0.001) 6 お腹 名詞 22 (0.001) 7 パン 名詞 30 (0.001) 8 ゴハン 固有名詞 4 (0.000) 9 腹 名詞C 43 (0.002) 10 寿司 名詞 7 (0.000) 11 夕飯 名詞 9 (0.000) 12 食糧 名詞 10 (0.000) 13 減る 動詞 52 (0.002) 14 空く 動詞 58 (0.002) 15 コンビニ 名詞 120 (0.005) 16 食料 名詞 75 (0.003) 17 麺 名詞C 30 (0.001) 18 飯 名詞C 34 (0.001) 19 カレー 名詞 37 (0.002) 20 作る 動詞 49 (0.002) 21 行く 動詞 366 (0.015) 22 感謝 サ変名詞 58 (0.002) 23 ソバ 名詞 3 (0.000) 24 ソワソワ 副詞 3 (0.000) 25 スライム 未知語 3 (0.000) 26 毎週 副詞可能 3 (0.000) 27 飲む 動詞 114 (0.005) 28 カセット 名詞 4 (0.000) 29 @bunny_missile 未知語 4 (0.000) 30 @nobonobo 未知語 5 (0.000) 31 @Slime_A_ 未知語 5 (0.000) 32 担 未知語 6 (0.000) 33 ネコ 名詞 6 (0.000) 34 帰着 サ変名詞 6 (0.000) 35 肉 名詞C 8 (0.000) 36 週 名詞C 9 (0.000) 37 味 名詞C 9 (0.000) 38 今 副詞可能 593 (0.024) 39 ケーキ 名詞 11 (0.000) 40 お菓子 名詞 12 (0.000) 41 お昼 副詞可能 13 (0.001) 災害時におけるソーシャルメディアを用いた支援システム 42 美味しい 形容詞 15 (0.001) 43 セット 名詞 15 (0.001) 44 20 未知語 77 (0.003)

共起

Jaccard

19 (0.178) 9 (0.084) 4 (0.037) 4 (0.037) 4 (0.037) 4 (0.037) 4 (0.037) 3 (0.028) 4 (0.037) 3 (0.028) 3 (0.028) 3 (0.028) 4 (0.037) 4 (0.037) 5 (0.047) 4 (0.037) 3 (0.028) 3 (0.028) 3 (0.028) 3 (0.028) 9 (0.084) 3 (0.028) 2 (0.019) 2 (0.019) 2 (0.019) 2 (0.019) 4 (0.037) 2 (0.019) 2 (0.019) 2 (0.019) 2 (0.019) 2 (0.019) 2 (0.019) 2 (0.019) 2 (0.019) 2 (0.019) 2 (0.019) 12 (0.112) 2 (0.019) 2 (0.019) 2 (0.019) 2 (0.019) 2 (0.019) 3 (0.028)

0.121 0.0647 0.0367 0.0336 0.0328 0.032 0.0301 0.0278 0.0274 0.027 0.0265 0.0263 0.0258 0.0248 0.0225 0.0225 0.0224 0.0217 0.0213 0.0196 0.0194 0.0185 0.0185 0.0185 0.0185 0.0185 0.0184 0.0183 0.0183 0.0182 0.0182 0.018 0.018 0.018 0.0177 0.0175 0.0175 0.0174 0.0172 0.0171 0.0169 0.0167 0.0167 0.0166

79

資料

「休む」関連語一覧 No.

抽出語

品詞

全体

1 お疲れさま 感動詞 39 (0.002) 2 休める 動詞 25 (0.001) 3 疲れ 名詞 235 (0.010) 4 暖かい 形容詞 35 (0.001) 5 @yazzy1973 未知語 2 (0.000) 6 少し 副詞 170 (0.007) 7 [Visca 未知語 95 (0.004) 8 Bar?a!!] 未知語 95 (0.004) 9 居酒屋 名詞 19 (0.001) 10 出社 サ変名詞 20 (0.001) 11 無駄 形容動詞 21 (0.001) 12 風邪 名詞 23 (0.001) 13 今晩 副詞可能 26 (0.001) 14 言葉 名詞 38 (0.002) 15 何より 副詞 145 (0.006) 16 大事 形容動詞 56 (0.002) 17 混乱 サ変名詞 62 (0.003) 18 落ち着く 動詞 139 (0.006) 19 35.63771924 未知語 1 (0.000) 20 @kamokuma 未知語 1 (0.000) 21 @nsdtkhr: 未知語 1 (0.000) 22 ディフェンス 名詞 1 (0.000) 23 欠勤 サ変名詞 1 (0.000) 24 入社 サ変名詞 1 (0.000) 25 両論 名詞 1 (0.000) 26 @adakhooo 未知語 1 (0.000) 27 @hiragainouka 未知語 1 (0.000) 28 @k_kakui 未知語 1 (0.000) 29 @sembear: 未知語 1 (0.000) 30 have/take 未知語 1 (0.000) 31 英気 名詞 1 (0.000) 32 送り届ける 動詞 1 (0.000) 33 @alale 未知語 1 (0.000) 34 @hjmya 未知語 1 (0.000) 35 お悔やみ 名詞 1 (0.000) 36 モー 人名 1 (0.000) 37 @kadomijewelry: 未知語 1 (0.000) 38 @nasunasunasu 未知語 1 (0.000) 39 @yukakosakai 未知語 1 (0.000) 40 slowly. 未知語 1 (0.000) 41 シチュエーション 名詞 1 (0.000) 災害時におけるソーシャルメディアを用いた支援システム 42 養う 動詞 1 (0.000) 43 @DribbleH 未知語 1 (0.000) 44 @nori_baba 未知語 1 (0.000)

共起

Jaccard

6 (0.088) 5 (0.074) 16 (0.235) 3 (0.044) 2 (0.029) 6 (0.088) 4 (0.059) 4 (0.059) 2 (0.029) 2 (0.029) 2 (0.029) 2 (0.029) 2 (0.029) 2 (0.029) 4 (0.059) 2 (0.029) 2 (0.029) 3 (0.044) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015) 1 (0.015)

0.0594 0.0568 0.0557 0.03 0.0294 0.0259 0.0252 0.0252 0.0235 0.0233 0.023 0.0225 0.0217 0.0192 0.0191 0.0164 0.0156 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147 0.0147

80

資料

共起ネットワーク

文字列の中で出現パターンの似通った同士を線で結んだ図、すなわち共 起関係を線で表したネットワークである。より関係性の高い文字列同士は 太い線で繋いであり、また文字列を囲む丸枠が大きいほど、出現数が多かっ たものである。

災害時におけるソーシャルメディアを用いた支援システム

81

資料

「疲れた」に関する共起ネットワーク

災害時におけるソーシャルメディアを用いた支援システム

82

資料

「混む」に関する共起ネットワーク

災害時におけるソーシャルメディアを用いた支援システム

83

資料

「待つ」に関する共起ネットワーク

災害時におけるソーシャルメディアを用いた支援システム

84

資料

「寒い」に関する共起ネットワーク

災害時におけるソーシャルメディアを用いた支援システム

85

資料

「食べる」に関する共起ネットワーク

災害時におけるソーシャルメディアを用いた支援システム

86

資料

「休む」に関する共起ネットワーク

災害時におけるソーシャルメディアを用いた支援システム

87

資料

震災時行動別分布

6 つのカテゴリー「疲労」 「混雑」 「待機」 「寒さ」 「食」 「休息」を時間ご とに区切らず、14:46 の震災発生から翌日の 8:46 までを一つのマップとし てアウトプットした。このマップによって震災時、終日を通してどのよう な需要があったのか、アーカイブ的に見ることができる。

災害時におけるソーシャルメディアを用いた支援システム

88

資料

疲労 Fatirue

混雑

Confusion

災害時におけるソーシャルメディアを用いた支援システム

89

資料

待機

Standby

寒さ

Cold

災害時におけるソーシャルメディアを用いた支援システム

90

資料

食

Eating

休息 Rest

災害時におけるソーシャルメディアを用いた支援システム

91