Które miasta przyciągają największą uwagę czytelników Wikipedii? Sama liczba ludności nie odpowie na to pytanie. Nie zrobią tego również statystyki ruchu turystycznego, liczba pasażerów linii lotniczych czy liczba wyszukiwań w Google. Innej perspektywy dostarczają odsłony Wikipedii: pokazują, jak często użytkownicy otwierają artykuł encyklopedyczny, ponieważ chcą dowiedzieć się czegoś o danym miejscu.

Korzystając z otwartych danych Wikipedii i Wikidanych, można analizować taki popyt na informacje na bardzo dużą skalę. Na potrzeby tego rankingu przeanalizowano odsłony artykułów związanych z miastami w anglojęzycznej Wikipedii w okresie 12 miesięcy, od 1 lipca 2025 do 30 czerwca 2026. Nie jest to ranking największych ani najbogatszych miast świata czy najlepszych miejsc do odwiedzenia. To ranking zainteresowania czytelników: pokazuje, które tematy związane z miastami były w tym okresie najczęściej otwierane przez użytkowników anglojęzycznej Wikipedii.

Stworzenie takiego rankingu jest jednak znacznie bardziej skomplikowane niż samo pobranie listy stron Wikipedii i zsumowanie liczby ich odsłon.

Obejrzyj pełne wideo:

Wikipedia jako wskaźnik popytu na informacje

Wikipedia nie jest wyłącznie encyklopedią. Z punktu widzenia analizy danych można ją również traktować jako wielkoskalowy wskaźnik społecznego zapotrzebowania na informacje.

Gdy czytelnicy otwierają artykuł, infrastruktura Wikimedia rejestruje zagregowane statystyki odsłon. Dane te są dostępne poprzez Wikimedia Analytics API, a także w postaci publicznych zrzutów danych o odsłonach.

Dane udostępniane poprzez Analytics API są publikowane zgodnie z zasadami CC0 1.0, co czyni je szczególnie atrakcyjnym źródłem dla badań naukowych, analiz możliwych do odtworzenia oraz dziennikarstwa danych.

Skala ruchu w Wikipedii jest ogromna. W badaniu opublikowanym z okazji 25-lecia Wikipedii Pew Research Center oszacował, że w latach 2015–2025 artykuły Wikipedii zanotowały około 1,9 biliona odsłon, a anglojęzyczna Wikipedia odpowiadała za bardzo dużą część tego ruchu.

Dzięki temu Wikipedia może być przydatna do badania zjawiska, które można określić jako popyt na informacje. Gdy popularność zdobywa film, użytkownicy czytają artykuły o występujących w nim aktorach. Gdy odbywają się wybory, rośnie zainteresowanie politykami i instytucjami politycznymi. Gdy ogłaszane jest ważne odkrycie naukowe, zwiększa się liczba odsłon powiązanych artykułów. Wydarzenia sportowe, wojny, rocznice, śmierć znanych osób czy zjawiska wiralowe również mogą pozostawiać wyraźne ślady w statystykach Wikipedii.

Podobnie jest z miastami. Ktoś może otworzyć artykuł o Paryżu, planując wakacje, przeczytać o Jerozolimie po zobaczeniu jej w wiadomościach, zainteresować się Konstantynopolem podczas nauki historii albo otworzyć artykuł o Nowym Jorku po obejrzeniu filmu. Wikipedia nie mówi nam dokładnie, dlaczego konkretny czytelnik otworzył dany artykuł, ale w ujęciu zbiorczym miliony takich działań tworzą wartościowy wskaźnik zainteresowania informacjami.

Dane Wikipedii mają kilka istotnych zalet:

  • obejmują bardzo dużą, globalną grupę odbiorców;
  • statystyki odsłon są dostępne w ujęciu dziennym;
  • metodologia pozostaje stosunkowo spójna w czasie;
  • dane są publicznie dostępne;
  • artykuły Wikipedii można łączyć ze strukturyzowanymi elementami Wikidanych;
  • poszczególne wersje językowe Wikipedii można analizować oddzielnie lub porównywać ze sobą;
  • długie szeregi czasowe pozwalają identyfikować skoki zainteresowania, trendy oraz wzorce sezonowe.

Obecna seria analitycznych danych Wikimedia o odsłonach rozpoczyna się 1 lipca 2015 roku, dzięki czemu możliwe jest prowadzenie porównywalnych analiz obejmujących już ponad dekadę. Więcej informacji można znaleźć w oficjalnej dokumentacji Wikimedia Page View Analytics.

Istnieje jednak istotne ograniczenie: odsłony Wikipedii mierzą zainteresowanie informacjami. Nie mierzą bezpośrednio ruchu turystycznego, znaczenia gospodarczego, jakości życia, popularności miasta wśród jego mieszkańców ani pozytywnego stosunku do danego miejsca. Pięć milionów odsłon nie oznacza też koniecznie pięciu milionów różnych osób. Jeden użytkownik może otworzyć ten sam artykuł wielokrotnie. Dlatego ranking należy interpretować jako ranking popytu na informacje w Wikipedii, a nie uniwersalny ranking miast świata.

Pierwszy problem: czym właściwie jest „miasto” w Wikipedii?

Zanim zaczniemy liczyć odsłony, musimy najpierw ustalić, które artykuły Wikipedii dotyczą miast. Brzmi prosto — ale wcale takie nie jest 😉

Jednym z możliwych podejść byłoby wykorzystanie kategorii Wikipedii, takich jak „Cities in the United States”, „Cities in Japan”, „Capitals in Europe” oraz tysięcy podobnych kategorii. System kategorii Wikipedii rozwijał się jednak organicznie przez ponad dwie dekady. Obejmuje ogromną liczbę wzajemnie powiązanych i zagnieżdżonych kategorii. Mogą się one nakładać, a różne społeczności redaktorów Wikipedii mogą inaczej porządkować tematy geograficzne. Miasto może być sklasyfikowane przede wszystkim jako gmina, stolica, centrum metropolitalne, osada historyczna, port, jednostka administracyjna, stanowisko archeologiczne lub jako kilka z tych rzeczy jednocześnie.

Rekurencyjne przeszukiwanie drzew kategorii Wikipedii powoduje więc dwa przeciwstawne rodzaje ryzyka:

  • wyniki fałszywie ujemne — rzeczywiste miasta, których algorytm nie odnajdzie;
  • wyniki fałszywie dodatnie — artykuły, które trafią do zbioru kandydatów, mimo że w rzeczywistości nie dotyczą miast.

Problem staje się jeszcze bardziej skomplikowany, gdy uwzględnimy miasta historyczne, miasta-państwa, dzielnice oraz jednostki o szczególnym statusie administracyjnym. Bardziej systematycznym rozwiązaniem jest powiązanie artykułów Wikipedii z odpowiadającymi im elementami Wikidanych.

Wykorzystanie Wikidanych do identyfikowania miast

Wikidata to ustrukturyzowana baza wiedzy, w której obiekty są reprezentowane przez identyfikatory i łączone za pomocą odczytywalnych maszynowo stwierdzeń.

Elementem Wikidanych reprezentującym ogólne pojęcie miasta jest na przykład Q515 (city).

Dwie właściwości Wikidanych są szczególnie ważne dla naszego zadania:

Pierwszym, najbardziej oczywistym pomysłem byłoby wyszukanie wszystkich elementów Wikidanych spełniających warunek: instance of (P31) = city (Q515). Takie podejście pominęłoby jednak wiele miast. Rzeczywiste miasta są często opisywane za pomocą znacznie bardziej szczegółowych wartości. Przykłady to:

Takich typów związanych z miastami jest znacznie więcej. Algorytm sprawdzający wyłącznie, czy P31 = Q515, wygenerowałby więc niepełną listę.

Śledzenie relacji „subclass of” w Wikidanych

Jednym z użytecznych pierwszych kroków jest prześledzenie elementów Wikidanych połączonych bezpośrednio lub pośrednio z city (Q515) poprzez stwierdzenia subclass of (P279). Pozwala to zidentyfikować bardziej szczegółowe typy miast, które mogą być używane jako wartości właściwości instance of (P31).

Na przykład w Wikidata Query Service można wykorzystać następujące przykładowe zapytanie SPARQL:

SELECT DISTINCT ?class ?classLabel ?directSubclass ?parent
WHERE {
  ?class wdt:P279* wd:Q515.

  OPTIONAL {
    ?directSubclass wdt:P279 ?class.
  }

  OPTIONAL {
    ?class wdt:P279 ?parent.
  }

  SERVICE wikibase:label {
    bd:serviceParam wikibase:language "en".
  }
}

Wyrażenie wdt:P279* oznacza, że SPARQL może przejść przez zero lub więcej relacji „subclass of”. Dzięki temu można odkrywać coraz bardziej szczegółowe typy, które ostatecznie są powiązane z ogólnym pojęciem miasta.

Oficjalny samouczek SPARQL Wikidanych opisuje podobną technikę pobierania elementów należących do danego typu oraz jego bardziej szczegółowych odmian. Skrócona forma wyszukiwania potencjalnych obiektów miejskich wygląda następująco: ?item wdt:P31/wdt:P279* wd:Q515. W uproszczeniu oznacza to: znajdź element, którego wartością P31 jest bezpośrednio city (Q515) albo element połączony z city poprzez jedną lub więcej relacji P279. Takie podejście jest znacznie bardziej elastyczne niż wyszukiwanie wyłącznie elementów, których stwierdzenie P31 zawiera bezpośrednio Q515.

Dlaczego Wikidata nie usuwa wszystkich niejednoznaczności

Dane strukturyzowane bardzo pomagają, ale nie eliminują wszystkich niejednoznaczności. Definicje „miasta” różnią się między krajami i okresami historycznymi. Wikidata zawiera także wiele nakładających się sposobów klasyfikacji tworzonych przez tysiące użytkowników. Ten sam obiekt geograficzny może być jednocześnie określany jako gmina, jednostka podziału administracyjnego, miasto, stolica, osada historyczna czy stanowisko archeologiczne.

Własny projekt Wikidanych WikiProject Cities and Towns omawia część tych problemów klasyfikacyjnych. Ma to szczególne znaczenie przy interpretacji końcowego rankingu. Znajdują się w nim zarówno typowe współczesne miasta, takie jak Londyn czy Chicago, jak również miasta-państwa, dzielnice, miasta historyczne oraz inne obiekty silnie związane z pojęciem miasta. Przykładami są Brooklyn, Manhattan, Monako, Watykan, Babilon, Troja, Konstantynopol i Machu Picchu.

Dlatego najbardziej precyzyjnym opisem metodologicznym tego zbioru jest ranking obiektów związanych z miastami, a nie twierdzenie, że każda pozycja ma dokładnie taki sam współczesny status prawny lub administracyjny.

Łączenie elementów Wikidanych z anglojęzyczną Wikipedią

Po zidentyfikowaniu odpowiednich elementów Wikidanych kolejnym krokiem jest odnalezienie odpowiadających im artykułów w anglojęzycznej Wikipedii. Jest to kolejna istotna zaleta Wikidanych. Element Wikidanych może zawierać sitelinki, czyli linki do witryn, które łączą ten sam obiekt z artykułami w różnych wersjach językowych Wikipedii. Po zidentyfikowaniu obiektu geograficznego w Wikidanych można więc uzyskać tytuł odpowiadającego mu artykułu w anglojęzycznej Wikipedii.

Zbieranie danych o odsłonach z 12 miesięcy

Okres pomiarowy wykorzystany w tym rankingu obejmuje 1 lipca 2025 – 30 czerwca 2026. Informacje o odsłonach Wikipedii można uzyskać zarówno poprzez Wikimedia Analytics API, jak i ze zbiorczych zrzutów danych o odsłonach.

API jest wygodne przy zbieraniu statystyk dla ograniczonej liczby znanych artykułów. Zrzuty danych mogą być natomiast bardziej efektywne przy przetwarzaniu bardzo dużej liczby artykułów.

Dane o odsłonach wykorzystane w tym rankingu odpowiadają następującym ustawieniom API:

  • project = en.wikipedia.org
  • access = all-access
  • agent = user
  • granularity = daily
  • start = 20250701
  • end = 20260630

Parametr access = all-access oznacza, że analiza nie ogranicza się wyłącznie do ruchu z komputerów stacjonarnych. Łączy ruch pochodzący ze wszystkich obsługiwanych sposobów dostępu. Parametr agent=user jest szczególnie ważny, ponieważ Wikimedia rozróżnia również ruch sklasyfikowany jako pochodzący od robotów indeksujących oraz inny ruch automatyczny. Oficjalna dokumentacja Wikimedia dotycząca odsłon wyjaśnia poszczególne kategorie ruchu oraz zasady stosowane przy identyfikowaniu odsłon. Odfiltrowanie ruchu automatycznego sprawia, że otrzymane wartości są znacznie bardziej użyteczne jako przybliżona miara rzeczywistego zainteresowania czytelników.

Dlaczego należy uwzględniać przekierowania

Istnieje jeszcze jedna techniczna komplikacja, która może znacząco wpłynąć na końcowy wynik: przekierowania oraz zmiany tytułów artykułów. Załóżmy, że artykuł Wikipedii uzyskał setki tysięcy odsłon pod jednym tytułem, a następnie został przemianowany. Wikipedia zazwyczaj pozostawia poprzedni tytuł jako przekierowanie do nowego. Czytelnicy korzystający ze starego linku nadal docierają więc do tego samego tematu.

Z punktu widzenia pomiaru zainteresowania danym tematem odsłony różnych tytułów powinny często być analizowane łącznie. Historyczne statystyki odsłon są jednak przypisywane do tytułu, którego użytkownik faktycznie zażądał. Dokumentacja Wikimedia wskazuje, że odsłony przekierowań nie są automatycznie zaliczane jako odsłony docelowego artykułu. W rezultacie pobranie statystyk wyłącznie dla aktualnego tytułu artykułu może prowadzić do niedoszacowania jego historycznej popularności.

Wyobraźmy sobie na przykład, że w pierwszej połowie analizowanego okresu artykuł nosił tytuł City A, a w styczniu został przemianowany na City B. Jeżeli analiza pobierze wyłącznie historyczne statystyki dla City B, może pominąć ruch zapisany wcześniej pod tytułem City A. Dlatego solidna analiza powinna identyfikować istotne przekierowania oraz historię tytułów i — tam, gdzie jest to uzasadnione — agregować odpowiadające im odsłony.

MediaWiki Redirects API oraz tabela przekierowań mogą pomóc w identyfikacji stron, które obecnie przekierowują do danego artykułu. Przydatnym narzędziem interaktywnym jest również Pageviews Analysis, umożliwiające analizowanie szeregów czasowych odsłon oraz opcjonalne uwzględnianie przekierowań.

Odsłona nie zawsze oznacza naturalne zainteresowanie

Po zebraniu i zagregowaniu danych mogłoby się wydawać, że ranking jest już gotowy. Niestety pozostaje jeszcze jeden problem. Nie każda odsłona sklasyfikowana jako ruch użytkownika musi odzwierciedlać naturalne zainteresowanie czytelników.

Najbardziej znanym przykładem jest niezwykle wysoki ruch na stronie Wikipedii poświęconej Kleopatrze. Przez długi czas redaktorzy Wikipedii obserwowali, że artykuł o Kleopatrze otrzymywał wyjątkowo dużo odsłon przez dłuższy okres, mimo braku oczywistego wydarzenia medialnego, które mogłoby to wyjaśniać. Zjawisko zainteresowało zarówno społeczność Wikipedii, jak i dziennikarzy. Jedno z ważnych wyjaśnień było związane z Asystentem Google, który na niektórych urządzeniach z Androidem prezentował jako przykładowe polecenie sugestię podobną do „Show Cleopatra on Wikipedia”. Zjawisko zostało opisane w artykule opublikowanym przez Inverse. Problem omawiano również w serwisie The Conversation.

Przykład ten pokazuje ważny problem metodologiczny. Zapytania mogą pochodzić od prawdziwych użytkowników i rzeczywistych urządzeń, ale aplikacja, interfejs, system rekomendacji czy domyślny link mogą generować dużą liczbę odsłon, które nie odpowiadają milionom niezależnych decyzji użytkowników, by dowiedzieć się czegoś o danym temacie. W badaniach popularności taki ruch może więc zniekształcać ranking.

Wykrywanie nietypowego ruchu w Wikipedii

Z tego powodu surowe sumy wykorzystane w tej analizie zostały poddane dodatkowym kontrolom pod kątem nietypowego ruchu. Ogólne podejście zostało częściowo zainspirowane metodami omawianymi wcześniej przez WikiRank, gdzie wyjątkowo zawyżone lub sztucznie „podkręcone” statystyki popularności analizowano przy użyciu dodatkowych wskaźników kontekstowych.

Potencjalne sygnały mogą obejmować:

  • kształt dziennego szeregu czasowego odsłon;
  • nietypowo wysoki i długotrwały ruch bez możliwego do wskazania wydarzenia;
  • skrajne różnice między ruchem z urządzeń stacjonarnych i mobilnych;
  • zmiany liczby edycji;
  • zmiany liczby aktywnych redaktorów;
  • zabezpieczanie artykułów przed edycją;
  • zmiany liczby linków i źródeł;
  • zewnętrzne zainteresowanie w wyszukiwarkach;
  • ważne wydarzenia medialne związane z danym tematem;
  • wzorce ruchu w porównywalnych artykułach Wikipedii.

Przykład takiego podejścia można znaleźć w materiale WikiRank dotyczącym nietypowych pomiarów popularności. Innym użytecznym przykładem metodologicznym jest badanie Wikipedii opublikowane przez Pew Research Center w 2026 roku.

Pew uwzględniał ruch sklasyfikowany jako pochodzący od użytkowników, wykluczając aktywność automatyczną. Badacze zastosowali również dodatkową heurystykę opartą na rozkładzie odsłon według rodzaju urządzenia: z części analiz popularności wykluczono strony, w przypadku których ruch mobilny stanowił mniej niż 5% lub więcej niż 95% wszystkich odsłon. Wykluczono także kilka stron, w przypadku których znane lub podejrzewane były sztuczne zniekształcenia ruchu, w tym artykuł o Kleopatrze.

Pokazuje to ważną zasadę: zastosowanie agent=user jest potrzebne, ale w niektórych rodzajach badań może nie wystarczać. Nagły skok ruchu nie jest automatycznie czymś podejrzanym. Artykuł o mieście może zgodnie z naturalnym zainteresowaniem otrzymać miliony dodatkowych odsłon w związku z trzęsieniem ziemi, wojną, wydarzeniem sportowym, filmem, wydarzeniem politycznym lub innym ważnym zdarzeniem.

Celem nie jest więc samo usuwanie skoków ruchu. Chodzi o odróżnienie uzasadnionego zainteresowania odbiorców od wzorców ruchu, które prawdopodobnie powstały w wyniku działania mechanizmów technicznych lub elementów interfejsu. Końcowy ranking przedstawia zatem wartości uzyskane po agregacji przekierowań oraz przeprowadzeniu dodatkowych kontroli i korekt związanych z nietypowym ruchem.

50 najczęściej oglądanych artykułów związanych z miastami w anglojęzycznej Wikipedii

Poniżej przedstawiono ranking dla okresu 1 lipca 2025 – 30 czerwca 2026. Liczba odsłon odpowiada wartościom wykorzystanym w analizie po opisanym wcześniej przetwarzaniu danych, uwzględnieniu przekierowań oraz kontroli nietypowego ruchu.

  1. Nowy Jork (5 448 443)
  2. Singapur (4 431 672)
  3. Hongkong (3 249 417)
  4. Brooklyn (3 174 187)
  5. Londyn (3 092 746)
  6. Waszyngton, D.C. (2 974 686)
  7. Los Angeles (2 917 643)
  8. Monako (2 708 837)
  9. Chicago (2 351 214)
  10. Dubaj (2 138 711)
  11. Tokio (1 927 396)
  12. Jerozolima (1 907 306)
  13. Paryż (1 905 260)
  14. Mumbaj (1 768 391)
  15. San Francisco (1 741 185)
  16. Toronto (1 735 944)
  17. Berlin (1 730 307)
  18. Filadelfia (1 670 222)
  19. Boston (1 640 581)
  20. Seattle (1 620 036)
  21. Rzym (1 563 788)
  22. Watykan (1 545 922)
  23. Makau (1 543 003)
  24. Stambuł (1 528 192)
  25. Meksyk (1 516 313)
  26. Petersburg (1 453 139)
  27. Atlanta (1 433 038)
  28. Machu Picchu (1 373 177)
  29. Chongqing (1 343 670)
  30. Nowy Orlean (1 321 826)
  31. Praga (1 318 991)
  32. Szanghaj (1 313 562)
  33. Babilon (1 312 031)
  34. Vancouver (1 311 284)
  35. Montreal (1 301 798)
  36. Las Vegas (1 301 113)
  37. Wiedeń (1 262 813)
  38. Minneapolis (1 261 474)
  39. Konstantynopol (1 252 602)
  40. Manhattan (1 245 518)
  41. Detroit (1 238 274)
  42. Gibraltar (1 227 408)
  43. Sydney (1 220 463)
  44. Moskwa (1 219 667)
  45. Pekin (1 217 741)
  46. Amsterdam (1 216 232)
  47. Miami (1 216 004)
  48. Houston (1 214 556)
  49. Barcelona (1 208 087)
  50. Troja (1 205 970)

Rozszerzona wersja rankingu jest dostępna w tym materiale wideo.

Co mówi nam ten ranking?

Najbardziej oczywistym wynikiem jest wyraźne pierwsze miejsce Nowego Jorku, którego artykuł uzyskał w przetworzonym zbiorze danych niemal 5,45 mln odsłon w analizowanym okresie 12 miesięcy. Singapur zajmuje drugie miejsce z ponad 4,43 mln odsłon, a pierwszą piątkę uzupełniają Hongkong, Brooklyn i Londyn.

Jeszcze ciekawsza od tego, kto zajął pierwsze miejsce, jest różnorodność samego rankingu. Współczesne globalne miasta, takie jak Nowy Jork, Londyn, Tokio, Paryż, Dubaj i Singapur, występują tu obok miejsc, których popularność w Wikipedii jest silnie związana z historią, polityką lub szczególnym statusem administracyjnym. Babilon, Troja i Konstantynopol pokazują znaczenie zainteresowania historią. Monako i Watykan łączą status miasta i państwa. Brooklyn i Manhattan pokazują z kolei, że czytelnicy Wikipedii często szukają informacji o ważnych częściach obszarów miejskich niezależnie od miasta, do którego należą.

Obecność Machu Picchu przypomina również, że automatyczny dobór obiektów wymaga interpretacji, a nie bezkrytycznego przyjmowania wyników. Przykłady te pokazują coś istotnego o sposobie korzystania z Wikipedii: czytelnicy nie dzielą swojej ciekawości na wyraźnie oddzielone kategorie, takie jak współczesna geografia, prawo administracyjne, historia, turystyka czy kultura popularna. Wszystkie te motywacje trafiają ostatecznie do tego samego strumienia odsłon.

Rankingi Wikipedii są również rankingami pojęć

Wyniki można interpretować jeszcze w inny sposób. Ranking Wikipedii jest częściowo rankingiem sposobu, w jaki wiedza została podzielona między poszczególne artykuły. Nowy Jork ma własny artykuł, ale bardzo popularne, odrębne artykuły mają również Brooklyn i Manhattan. Czytelnicy poszukujący informacji o Nowym Jorku mogą więc rozdzielać swoją uwagę między kilka stron. W przypadku innych miast znacznie większa część istotnych informacji może być skupiona w jednym artykule.

Oznacza to, że liczby odsłon nie mogą być traktowane jako całkowicie ustandaryzowane pomiary popularności samych miast. Mierzą one zainteresowanie pojęciami i strukturą artykułów Wikipedii reprezentujących te miejsca. Nie musi to być wadą. Przeciwnie, dostarcza to dodatkowej informacji o tym, które elementy danego obszaru miejskiego samodzielnie przyciągają uwagę czytelników.

Stworzenie rankingu jest łatwiejsze niż określenie, co on naprawdę oznacza

Samo dodanie liczb jest najprostszą częścią tworzenia rankingu popularności Wikipedii. Trudniejsza praca odbywa się przed sumowaniem i po nim:

  • określenie, co uznajemy za miasto;
  • śledzenie relacji instance of (P31) oraz subclass of (P279) w Wikidanych;
  • identyfikowanie bardziej szczegółowych typów związanych z miastami zamiast sprawdzania wyłącznie Q515;
  • łączenie elementów Wikidanych z artykułami anglojęzycznej Wikipedii;
  • zbieranie dziennych statystyk odsłon;
  • odtwarzanie przekierowań i zmian tytułów artykułów;
  • filtrowanie znanego ruchu automatycznego;
  • sprawdzanie, czy nietypowa liczba odsłon rzeczywiście odzwierciedla naturalny popyt na informacje;
  • spójne interpretowanie niejednorodnych obiektów.

To właśnie te decyzje metodologiczne określają, co końcowy ranking naprawdę oznacza. Siłą ekosystemu Wikimedia jest to, że duża część potrzebnej infrastruktury jest publicznie dostępna. Wikipedia dostarcza artykułów encyklopedycznych, Wikidata zapewnia warstwę ustrukturyzowanych danych, MediaWiki API udostępnia informacje o relacjach pomiędzy stronami, a Wikimedia Analytics zapewnia historyczne pomiary zainteresowania czytelników.

Razem zasoby te pozwalają spojrzeć na miasta z nietypowej perspektywy. Zamiast pytać wyłącznie „Ile osób tam mieszka?”, „Ilu turystów je odwiedza?” albo „Jak duża jest ich gospodarka?”, możemy zadać inne pytanie: Jak duże zainteresowanie informacjami o tym miejscu widać w Wikipedii?

W takim ujęciu Wikipedia nie jest jedynie encyklopedią. Jest również obserwatorium ludzkiej ciekawości na ogromną skalę — stale zmieniającym się, niedoskonałym, ale wiele mówiącym.