此研究通过数据挖掘方法在社交媒体数据和灾害严重程度之间找到关联，并使用特定区域的 Twitter 数据预测该区域的飓风等级。
Aug, 2023
通过分析 HurricaneSARC 数据集，本文介绍了利用预训练语言模型检测灾难相关推文中的讽刺言辞的关键方法，并表明通过中间任务转移学习可以提高在 HurricaneSARC 数据集上的性能。
研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪，并构建一个双向长短记忆神经网络（BiLSTM）和双向门循环单元（BiGRU）的集成模型，其中 BiGRU 模型表现最佳，准确率达 87.53％。此结果将有助于开发一个可视化情绪波动的决策工具。
Feb, 2023
利用机器学习语言模型对社交网站的帖子进行监测，以便能够及时地确定是否有人或地区处于危险之中，从而更好地进行应急处置。
Jan, 2022
本文提出一种基于深度学习模型和人类标注的新型大规模社交媒体数据集，用于自然灾害期间信息分类和简洁归纳， 以改善现有数据集的局限性，提高分类准确度。
Apr, 2021
本文旨在研究从文本中检测情感强度的任务。我们创建了第一个标记有愤怒、恐惧、喜悦和悲伤强度的推文数据集，并使用最佳 - 最差比例（BWS）技术提高注释一致性和获得可靠的细粒度分数。我们发现情感词 hashtag 通常会影响情感强度，通常传达更强烈的情感。最后，我们创建了一个基准回归系统，并进行实验，以确定哪些特征对于检测情感强度有用，以及两种情感在语言表现方面的相似程度。
Aug, 2017
本文通过弱监督学习建立高质量的社交媒体紧急信息分类器，使用 Twitter 上的微博信息以及事件关键词帮助快速生成高质量的标签化数据，利用前续信息和回复信息来丰富微博表示方法以处理嘈杂短小的用户生成信息，且仅需 1-2 人时的人工监督即可在两次飓风期间实现优于需要 50 人时手动标注的管理分类器。
Oct, 2020
本研究提出了一种基于 Experts Model 的架构，它可以从特征向量中学习不同的特征集，有助于更好地从推文中检测情感。与基准结果和 SemEval-2018 任务 1 的前五名表现者相比，实验结果表明，我们提出的方法在情感检测问题上表现出了较好的结果。
Mar, 2019
本文提出了一种利用语义嵌入和无监督学习的方法，在社交媒体的帖子数据集中对于重大自然灾害的子事件进行识别，并对其进行分析和分类。通过对两组数据集进行实验证明了该方法的有效性和优越性。
Dec, 2019
该论文主要研究社交媒体在灾难和紧急情况下作为信息来源的潜力和挑战，并提出了一种基于文本分类的框架来处理 Twitter 噪声数据，通过使用多个 transformers 模型最终达到了 F1-score 0.87 的高分数。
Jan, 2023