《Scientific Data》:The Human Flourishing Geographic Index: A County-Level Dataset for the United States, 2013–2023
编辑推荐:
量化人类繁荣(human flourishing)——这一多维构念包括幸福、健康、目标、美德、人际关系和财务稳定——对于理解超越经济指标的社会福祉至关重要。现有测量通常缺乏精细的空间和时间分辨率。研究人员的此项研究引入了人类繁荣地理指数(Human Flour
量化人类繁荣(human flourishing)——这一多维构念包括幸福、健康、目标、美德、人际关系和财务稳定——对于理解超越经济指标的社会福祉至关重要。现有测量通常缺乏精细的空间和时间分辨率。研究人员的此项研究引入了人类繁荣地理指数(Human Flourishing Geographic Index,HFGI),该指数源自对约26亿条带有地理定位的美国推文(2013-2023年)的分析,通过微调的大语言模型(large language models,LLMs)对符合哈佛全球繁荣研究框架(Harvard’s Global Flourishing Study framework)的48个指标(包括对移民的态度和腐败感知)的表达进行分类。该数据集提供月度与年度、县级与州级的繁荣相关话语指标,并经过验证,确认这些测量准确代表了潜在构念,并与已有指标呈现预期的相关性。这一资源使得研究人员能够在前所未有的分辨率下对福祉、不平等和社会变迁进行多学科分析,为过去十年美国社交媒体话语中反映的人类繁荣动态提供见解。
**论文解读:基于社交媒体大数据的人类繁荣地理指数构建与验证**
**研究背景与问题**
量化人类繁荣(human flourishing)——一个涵盖幸福、健康、目标、美德、人际关系和财务稳定等多维度的构念——对于理解超越经济增长或物质财富的社会进步至关重要。然而,传统指标(如GDP或收入)仅捕捉生产和消费,忽视了人类福祉的多维性,包括目的、关系、自主、健康和意义。现有的福祉报告(如《世界幸福报告》)虽提供了有价值的全球或国家基准,但通常缺乏精细的空间和时间分辨率。繁荣本质上是情境依赖且动态的,受当地社会、经济及环境条件的影响,并随时间演变。因此,在多个地理层级(如州和县)测量繁荣,使研究人员能够考察福祉的时空动态,揭示区域差异,并识别促进或阻碍人类繁荣的本地和时变因素。此外,具有空间和时间明确性的指标允许与其它公共数据源(如社会经济统计、健康与人口调查、美国疾病控制与预防中心(CDC)数据集)整合,从而支持跨领域分析和基于证据的政策干预。
**研究内容与结论**
为填补这一空白,研究人员构建了人类繁荣地理指数(Human Flourishing Geographic Index,HFGI)。该指数基于对哈佛大学CGA地理推文档案v2.0(Harvard CGA’s Geotweet Archive v2.0)中约26亿条美国地理定位推文(2013-2023年)的分析,通过微调的开源大语言模型(LLMs)进行大规模分类。该数据集包含46个源自哈佛全球繁荣研究(GFS)框架的人类繁荣指标,以及两个附加维度(对移民的态度和腐败感知),共计48个指标,并按月度与年度、县级与州级聚合。验证结果表明,该指数能准确反映潜在构念,与独立情感指数(TSGI)、CDC心理健康数据及透明国际腐败感知指数(CPI)呈预期相关性,证实了其外部效度。该研究发表在《Scientific Data》上,为多学科研究提供了前所未有的空间和时间分辨率下的福祉度量。
**主要关键技术方法**
1. **数据来源**:使用哈佛CGA地理推文档案v2.0,涵盖2010年至2023年7月12日的全球地理标记推文。本研究聚焦于美国境内的约26亿条地理定位推文,并利用美国人口普查局TIGER/Line Shapefiles(2020年)进行追踪单元赋值。
2. **文本分类方法**:采用微调的Llama 3.2 3B大语言模型(LLM),将推文按48个繁荣维度(包括核心维度及移民态度、腐败感知)分类为“低”、“中”、“高”三级,再映射为数值-1、+0.5、+1(未出现则赋0)。
3. **聚合与计算**:通过DuckDB数据库进行向量化聚合,按日、月、年及县、州层级计算条件均值、标准差和显著性(salience,即表达该维度的推文占比)。计算在NVIDIA A100/H100 GPU集群上完成,总耗时约1,045,048 GPU小时,利用高性能计算集群(FAS-RC、Kempner Institute、NSF-ACCESS设施)的备用计算资源,并采用检查点策略和并行分布式技术。
**研究结果**
- **Data Overview(数据概览)**:推文的时间分布不均,但空间分布揭示了更富信息量的模式。社交媒体通常对事件更为反应性,而非议程设置,因此时间上的相对变异是预期现象。HFGI各维度的空间分布呈现出持久的地理结构,这不太可能仅由短期事件响应所驱动。
- **Salience of Flourishing Dimensions(繁荣维度的显著性)**:研究人员定义显著性为某一繁荣维度在地理定位社交媒体话语中的相对流行度,计算为每个{地理单元,时间,维度}单元内表达该维度的推文数与总推文数之比。结果显示,主观幸福感和情感相关维度(如幸福、乐观、共情、抑郁)的显著性最高,表明这些话题在日常在线对话中最常被讨论;而公民、道德或超越性主题(如宽恕、志愿服务、慈善、来世)出现频率较低,反映了它们在社交媒体上较窄的话语足迹。
- **Geographic patterns in salience(显著性的地理模式)**:美国各县的显著性存在系统性变化。以四个代表性维度(幸福、归属感、财务担忧、腐败)为例,每个面板使用独立色标以保持维度内对比。空间模式揭示了即使在低基数话题中也存在连贯的区域结构,表明福祉、物质安全及公民关切等公共表达在美国各地存在系统性差异。
- **Technical Validation(技术验证)**:
- **Fine-Tuning Setup(微调设置)**:LLM被微调用于对给定推文按固定福祉维度集进行分类,输出仅包含适用维度的JSON字典,评级为低、中、高。研究人员选择定性评分而非数值评分,因为LLM在提供定性评估上表现良好,但难以产生数值尺度上的度量。
- **Model Performance(模型性能)**:在人类验证的标注数据集上,微调后的Llama 3.2 3B模型在准确率、Jaccard指数和Hamming损失上接近ChatGPT-4的性能,尽管后者参数规模大587倍。模型性能在训练集和测试集上保持稳定。
- **Convergent validity with an independent sentiment index (TSGI)(与独立情感指数TSGI的收敛效度)**:将HFGI幸福感指标与推特情感地理指数(TSGI)进行月度标准化回归,发现两者高度正相关(β
1=0.62,R
2=0.39,Pearson r=0.62),表明两者捕获共同的情感信号,但幸福感更偏向评价性维度。
- **External validation with CDC mental health data(与CDC心理健康数据的外部验证)**:将HFGI抑郁指标与CDC行为风险因素监测系统(BRFSS)PLACES数据中的频繁心理困扰(FMD)指标进行比较。CDC数据显示农村县FMD更高,而HFGI抑郁指标则显示农村县表达性抑郁话语更低,这一反转符合关于表达耻辱和农村联通性差异的理论,表明HFGI测量的是表达倾向而非真实流行率。
- **Validation with Transparency International Data(与透明国际数据的验证)**:将HFGI腐败感知指标与透明国际腐败感知指数(CPI)进行美国年度序列比较,发现两者呈强负相关(Pearson r=-0.91,R
2=0.83),表明推文衍生的腐败维度与公认的国际基准一致运动,支持其外部效度。
**讨论与结论**
在讨论部分,研究人员强调了使用HFGI时的注意事项,包括代表性、空间不确定性、聚合选择、测量局限、隐私保护及适当使用场景。该数据集依赖于地理定位推文(约占所有推文的1-2%),反映了启用地理标签的推特用户行为,而非一般人群。研究人员指出,HFGI应被视为地理标签用户群体中表达性福祉的度量,而非人口流行率的直接代理。平台政策变化(如2019年推特位置共享政策调整)导致GPS坐标比例下降,增加了估计不确定性。研究人员建议在统计模型中纳入年份或月份固定效应,并考虑使用逆方差加权和对有效推文数量设置最低阈值。此外,HFGI测量的是概念的表达倾向,而非临床或调查流行率,因此与独立来源的证据三角验证至关重要。最后,研究人员总结道:总而言之,HFGI提供了跨空间和时间的高分辨率表达性繁荣度量。在适当关注代表性、空间不确定性、聚合以及表达与流行率区分的前提下,该数据集能够支持跨学科的稳健描述性和关联性分析。