Jak cechy miejsc kształtują odwiedziny turystów na trasach kulturowych — analiza danych z mediów społecznościowych i interpretowalnego uczenia maszynowego

Dlaczego ścieżki pielgrzymów wciąż mają znaczenie

Trasy kulturowe, jak starożytny Kumano Kodo w Japonii, kiedyś przemierzali cesarze i mnisi; dziś chodzą nimi także turyści ze smartfonami w ręku. Badanie stawia praktyczne pytanie o dalekosiężnych konsekwencjach dla dziedzictwa i turystyki: nie „dlaczego” ludzie deklarują chęć podróży, lecz w jaki sposób konkretne cechy miejsc na trasie faktycznie wpływają na to, gdzie odwiedzający się pojawiają. Wykorzystując tysiące geotagowanych wpisów z mediów społecznościowych i przejrzyste narzędzia uczenia maszynowego, autorzy pokazują, jak świątynie, krajobrazy, sklepy, noclegi i transport łączą się, tworząc współczesną geografię pielgrzymowania.

Śledzenie cyfrowych śladów wzdłuż dawnej drogi

Zamiast polegać na ankietach i wspomnieniach, badacze sięgnęli po ślady, które ludzie zostawiają w sieci podczas podróży. Zebrali 24 569 geotagowanych zdjęć z Flickr wykonanych w latach 2010–2025 na obszarze szerszego regionu Kumano Kodo. Po starannym odfiltrowaniu prawdopodobnych mieszkańców i scen życia codziennego każde pozostałe zdjęcie potraktowano jako konkretne odwiedziny w określonym miejscu i czasie. Aby sprawdzić, czy ta cyfrowa grupa rzeczywiście podążała ścieżkami turystycznymi, zespół porównał ich punkty z niezależnymi danymi z Google Maps i TripAdvisor. Wizyty z Flickra silnie grupowały się wokół znanych atrakcji, co sugeruje, że wpisy w mediach społecznościowych dają realistyczny obraz tego, gdzie odwiedzający spędzają czas.

Co odwiedzający zauważają po drodze

Następnym krokiem było zrozumienie, jakie rodzaje miejsc mają największe znaczenie na tej historycznej trasie. Autorzy przeanalizowali słowa używane w tytułach, tagach i opisach zdjęć z Flickra, tłumacząc i oczyszczając tekst, a następnie stosując modelowanie tematów, by odnaleźć powtarzające się wątki. Z tych wątków wydestylowali 17 typów cech miejsc, pogrupowanych w cztery szerokie rodziny: zasoby kulturowe i dziedzictwa, takie jak świątynie i tradycyjne budynki; środowiska naturalne obejmujące wybrzeża, rzeki i lasy; usługi turystyczne i rekreacyjne, jak noclegi, onseny, restauracje i sklepy; oraz infrastruktura transportowa — drogi, linie kolejowe, stacje i parkingi. Każdy typ powiązali z szczegółowymi danymi geograficznymi — mapami świątyń, linii kolejowych, nachyleń terenu, pokrycia roślinnego i innych — aby móc badać, jak te atrybuty korelują z rzeczywistymi wzorcami odwiedzin.

Nauczanie modelu „czytania” krajobrazu

Aby powiązać te liczne warstwy z miejscami, które ludzie rzeczywiście odwiedzali, badacze podzielili region na siatkę o oczkach 1 km. Dla każdego kwadratu podsumowali, jak blisko znajduje się on do każdego rodzaju atrakcji lub obiektu usługowego oraz jak silne są tam poszczególne cechy naturalne. Te liczby stały się wejściami do modelu; obserwowana liczba wizyt z Flickra była wyjściem, które model miał wyjaśnić. Porównali kilka metod uczenia maszynowego i stwierdzili, że model lasu losowego (random forest), korzystający z miar odległości dla każdego atrybutu, najlepiej odtwarzał obserwowane wzorce odwiedzin. Co ważne, następnie „otworzyli czarną skrzynkę” przy pomocy narzędzi interpretowalnych, pokazujących, jak każdy czynnik podbija albo obniża przewidywaną liczbę odwiedzin, samodzielnie i w kombinacji z innymi.

Jak świątynie, usługi i ulice współdziałają

Wyniki pokazują, że ogniska aktywności na trasie rzadko wynikają z jednej atrakcji. Miejsca kultu i dziedzictwa — obiekty religijne, tradycyjne uliczki, pomniki i muzea — działają jako główne magnesy: im bliżej nich znajduje się dany kwadrat siatki, tym więcej odwiedzin zwykle przyciąga. Te magnesy są jednak silnie wzmacniane przez pobliskie usługi i łatwy dostęp. Obszary z noclegami, gorącymi źródłami, restauracjami i skupiskami sklepów, powiązane z liniami kolejowymi, stacjami, drogami i parkingami, przyciągają znacznie więcej odwiedzających niż izolowane świątynie w trudno dostępnych lokalizacjach. Cechy naturalne, takie jak góry, rzeki czy gęsta roślinność, odgrywają subtelniejszą rolę — tworzą tło, które może wzmacniać lub osłabiać te wzorce, zamiast nimi bezpośrednio kierować. Równowaga między tymi składnikami zmienia się także z porami roku, trybem podróży i typami odwiedzających: zimowi goście częściej korzystają z atrakcji krytych i węzłów transportowych, podczas gdy piesi wędrowcy wybierają odcinki bogate w krajobraz, wspierane przez podstawowy transport publiczny.

Przekuwanie wiedzy w lepsze trasy

Dla osób niebędących specjalistami kluczowy wniosek jest taki, że udane trasy kulturowe funkcjonują mniej jak pojedyncze zabytki, a bardziej jak żywe sieci. Badanie pokazuje, że ludzie ciągną do miejsc, gdzie znaczące zespoły dziedzictwa są splecione z prostymi udogodnieniami i niezawodnym dostępem, wszystko osadzone w charakterystycznym krajobrazie. Kwantyfikując te relacje za pomocą rzeczywistych zachowań zamiast jedynie deklarowanych motywów, autorzy dostarczają praktycznej recepty, którą można zaadaptować na innych historycznych trasach na świecie. Wzmacnianie kotwic kulturowych, koordynowanie usług i transportu wokół nich oraz dostosowywanie zarządzania do różnych sezonów i stylów podróżowania może pomóc utrzymać dawne szlaki jednocześnie zdatne do chodzenia i znaczące w XXI wieku.

Cytowanie: Lin, X., Teng, X., Shen, Z. et al. Understanding how destination attributes shaping tourist visitation on cultural routes through social media data and interpretable machine learning. npj Herit. Sci. 14, 197 (2026). https://doi.org/10.1038/s40494-026-02427-5

Słowa kluczowe: trasy kulturowe, wzorce turystyczne, dane z mediów społecznościowych, zarządzanie dziedzictwem, uczenie maszynowe