Η ποσότητα της πληροφορίας που παράγεται σήμερα από τους χρήστες των μέσων Κοινωνικών Δικτύωσης (Social Media) έχει ξεπεράσει κάθε προσδοκία. Σε πλατφόρμες όπως το Facebook και το Twitter, οι χρήστες δρουν συχνά ως «αισθητήρες», πραγματοποιώντας ποικίλες «μετρήσεις» που καταγράφουν έναν εντυπωσιακό όγκο από δεδομένα για το περιβάλλον τους ή ακόμα και για τους ίδιους. Αυτοί οι «Αισθητήρες Κοινωνικής Δικτύωσης» (Social Sensors) είναι εξαιρετικά χρήσιμοι σε πληθώρα επιστημών (π.χ. ηλεκτρονική υγεία, διατροφή & άσκηση, κοινωνικές επιστήμες) ιδιαίτερα όταν συνδυάζονται με δεδομένα από κλασσικούς αισθητήρες υλικού (Hardware Sensors). Παρ' όλα αυτά, τα δεδομένα ενός Social Sensor είναι, κατά κύριο λόγο, μη δομημένα, κυμαινόμενης αξιοπιστίας και χωρίς τις απαραίτητες αλυσίδες προέλευσης (provenance chains) που απαιτούνται για την ενοποίηση μεταξύ ετερογενών πηγών, την εξακρίβωση της ποιότητας και αξιοπιστίας της πληροφορίας, και την αξιοποίησή της. Οι τεχνολογίες Σημασιολογικού Ιστού (Semantic Web) μπορούν να χρησιμοποιηθούν για τη λύση αυτών των προβλημάτων, μετατρέποντας την πληροφορία σε μορφή που είναι καλύτερα κατανοητή και επεξεργάσιμη από την σύγχρονη τεχνολογία. Η διατριβή παρουσιάζει το SOSENS (SOcial SENSor) framework, μία αρχιτεκτονική που παρέχει ένα ενιαίο σημασιολογικό πλαίσιο για περιβάλλοντα Social Sensing, βασισμένο σε οντολογίες. Η βασική οντολογία (SOSENS) περιγράφει σημασιολογικά τους χρήστες ως αισθητήρες, επιτρέποντας την εύκολη ενοποίηση και σύγκριση της πληροφορίας. Επεκτάσεις όπως η οντολογία SOSENS-Trust προσφέρουν την εννοιολογική βάση για την περιγραφή διαδικασιών όπως ο υπολογισμός δεικτών αξιοπιστίας (trust) και φήμης (reputation). Το SOSENS framework, που υλοποιήθηκε στα πλαίσια της διατριβής, χρησιμοποιήθηκε και αξιολογήθηκε σε ένα περιβάλλον Ηλεκτρονικής Υγείας (e-health) όπου πληροφορία από Facebook Social Sensors συνδυάστηκε με πληροφορία από ψηφιακά βηματόμετρα Fitbit, με σκοπό την παρακολούθηση της φυσικής δραστηριότητας. Η χρήση του SOSENS framework συνέβαλλε στην αποτελεσματική συλλογή, ενοποίηση, ανάλυση και καταγραφή τόσο των δεδομένων των αισθητήρων όσο και των μεταδεδομένων προέλευσης και αξιοπιστίας. Η σημασιολογικά-πλούσια μορφή της παραγόμενης πληροφορίας διευκολύνει την επαναχρησιμοποίησή της και συμβάλλει στη δημιουργία διαλειτουργικών χώρων Social Sensing.

καλός» εαυτός αντιστοιχεί στη θετική εικόνα για τον Άλλο, ο «κακός» στην αρνητική. 54 Αυτό που προς το παρόν μας ενδιαφέρει περισσότερο είναι η ιδιότητα του απόλυτου δυϊσμού που χαρακτηρίζει την κατασκευή των στερεοτύπων. 55 Η αντίληψη του Άλλου ως διαφορετικού προϋποθέτει πάντοτε την αντίθεση προς τον εαυτό. «Το στερεότυπο τίθεται αντιτιθέμενο». 56 Κεντρική παραδοχή λοιπόν είναι ότι τα στερεότυπα εξοικονομούν μια θετική εικόνα του εαυτού -πάντα εις βάρος κάποιων Άλλων, οι οποίοι ωθούνται στο περιθώριο. 57 Το ίδιο ισχύει, πιθανόν σε πολύ μεγαλύτερο βαθμό, και για το ιδεώδες της αρρενωπότητας. Η κυρίαρχη εικόνα 58 του απόλυτα θετικού προτύπου στη Δύση -όπως την αντιλαμβάνεται ο Mosse-στηρίζεται σε (ή παράγει αντίστοιχα) μια ολόκληρη αλυσίδα αρνητικών στερεοτύπων και αποκλεισμών που αφορούν το φύλο, τη φυλή, την τάξη, τη σωματική κατασκευή, τη συμπεριφορά.