Adaptive management of multimedia and georeferenced contents : the MAGIS approach for citizen journalism

The present dissertation illustrates a web-based framework where geographic maps are associated with knowledge, linking geographic elements with geo and temporal-referenced multimedia contents. Among the key features, multimedia content integration, time management and self-adaptivity to different application contexts are the most relevant ones. A hybrid approach is proposed to classify stored contents, that combines a Machine Learning (ML) technique for text classification with the intervention of human experts. A dynamically configured user navigation is hence proposed based on the adaptivity of the tool to dynamic classification of contents. Adaptive navigation is supported by a domain-specific ontology defined in this Thesis. The overall approach is presented in a framework and prototype named Multimedia Adaptive Geographic Information System (MAGIS), representing an extension to existing Geographic Information Systems (GIS), and conceptually devised as a common foundation to be adapted to different domain-specific implementations. A practical demonstration in the form of a web-based prototype is provided in one context, namely Citizen Journalism (CJ), where users (both common and specialised) can tailor their navigation according to selected topics. The purpose of the CJ use case described in the Thesis is to detail how the framework gets instantiated in a semi-automatic way using both ML and human intervention.

La presente Tesi illustra le caratteristiche di base di un framework in cui la conoscenza è associata a mappe geografiche, con l'obiettivo di collegare elementi geografici con contenuti multimediali referenziati nello spazio e nel tempo. Tra le funzionalità chiave, l’integrazione di contenuti multimediali, la gestione del tempo e l'auto-adattamento ai diversi contesti applicativi sono le più rilevanti. Viene proposto un approccio ibrido per classificare i contenuti archiviati, che combina una tecnica di Machine Learning (ML) per la classificazione dei testi con l'intervento di un esperto. Viene quindi proposta una navigazione utente configurata dinamicamente in base all'adattabilità dello strumento alla classificazione dinamica dei contenuti. La navigazione adattiva è supportata da un'ontologia specifica del dominio definita in questa Tesi. L'approccio generale è presentato in un framework e prototipo denominato Multimedia Adaptive Geographic Information System (MAGIS) che rappresenta un'estensione dei Sistemi Informativi Geografici (GIS) esistenti ed è concepito concettualmente come base comune per essere adattato a diverse implementazioni specifiche del dominio di interesse. Una dimostrazione pratica sotto forma di prototipo basato sul web è fornita in un contesto di esempio, chiamato Citizen Journalism (CJ), o giornalismo partecipativo, in cui gli utenti (sia comuni che specializzati) possono personalizzare la propria navigazione in base ad argomenti selezionati. Lo scopo del caso d'uso CJ descritto nella Tesi è quello di dettagliare come il framework viene istanziato in modo semiautomatico utilizzando sia il ML che l'intervento umano.