Areal units also have the effect of

Areal units also have the effect of hiding the distribution of tweets inside them. In this case study, the number of tweets per area varied from 2,610 to 191,415. A lower number of tweets per area will result in less reliable topic prediction. This makes area unit selection important for two reasons. First, readers of the map need to be made aware of the discrepancy between the highest tweet count areas and the lowest. Adding background shading to indicate the relative tweets was considered for this method, but it was ultimately not used, as the resulting images became too complex. The second issue concerning tweet counts and areal units is to ensure that the correct scale is used. When the areal unit was smaller than the neighborhood level, the effect of data density wasmagnified as some areas had too little data to be adequate predictors of topics. When the area units were much larger than neighborhoods, the topic model suffered from becoming too generic, offering little information about place. With larger area units, this method might be more appropriate with limiting tweets and topics to a narrower temporal resolution.

結果 (繁體中文) 1:

面積單位也有躲在裡面它們鳴叫的分佈的影響。在這種情況下研究，每單位面積的鳴叫的次數改變從2610到191415。單位面積的鳴叫的數值越低將導致不可靠的話題預測。這使得區域單位選擇兩個重要的原因。首先，要進行地圖讀者需要知道的最高數鳴叫地區和最低之間的差異的。添加背景陰影，以表示相對鳴叫被認為是這種方法，但它最終沒有使用，所產生的圖像變得過於複雜。有關的tweet數量和面積單位的第二個問題是確保正確的比例使用。當單位面積比附近水平時，數據密度的影響wasmagnified一些地區有太少的數據為主題的充分預測。當轄區單位比鄰里大得多，主題模型變得過於籠統，提供有關地點的信息很少受到影響。隨著大面積單位，這種方法可能與限制的鳴叫和主題較窄的時間分辨率更合適。

結果 (繁體中文) 2:

Areal 單位還可以隱藏其中的推文分佈。在本案例研究中，每個區域的推文數量從 2，610 到 191，415 不等。每個區域的推文數量較少將導致主題預測的可靠性降低。這使得區域單位選擇很重要，原因有二。首先，需要讓地圖的讀者瞭解最高推文計數區域和最低推文計數區域之間的差異。此方法考慮添加背景底影以指示相對推文，但最終未使用，因為生成的圖像變得過於複雜。關於推文計數和 areal 單位的第二個問題是確保使用正確的比例。當areal單位小於鄰域水準時，資料密度的影響被放大，因為某些區域的資料太少，無法成為主題的充分預測變數。當面積單位比鄰裡大得多時，主題模型會變得過於通用，很少提供有關位置的資訊。對於較大的面積單位，此方法可能更適合將推文和主題限制為更窄的時間解析度。

結果 (繁體中文) 3:

區域組織還具有隱藏其內部tweet分佈的效果。在這個案例研究中，每個區域的tweets數量從2610到191415不等。每個區域的tweets數量越少，主題預測的可靠性就越低。這使得區域單元的選擇很重要，原因有二。首先，地圖的讀者需要知道最高的tweet計數區域和最低的tweet計數區域之間的差异。這種方法考慮了添加背景陰影來表示相對tweets，但最終沒有使用，因為生成的影像變得太複雜。關於tweet計數和區域組織的第二個問題是確保使用正確的刻度。當面積組織小於鄰域水准時，數據密度的影響被放大，因為某些區域的數據太少，無法充分預測主題。當區域單元比社區大得多時，主題模型會變得過於通用，提供的關於地點的資訊很少。對於較大的區域單元，這種方法可能更適合於將tweets和主題限制在較窄的時間分辯率。