该研究提出了一种交互式工具，通过收集和分类社交媒体上的呼救信息、提取其实体标签并可视化在地图上，提高寻找被困人员、救援和捐赠等救灾工作的效率，其实验表明 tweet 分类的 F1 分数高达 98.3％，实体提取的 F1 分数为 84.32％。

Feb, 2023

本文提出了一种基于文本挖掘的方法来收集和分析社交媒体数据，以进行早期地震影响分析，结果表明，公众舆论趋势分析和公众舆情趋势可以在早期阶段评估地震的社会影响，并有助于决策和救援管理。

Dec, 2022

本研究对 19 种不同危机期间收集的 Twitter 语料库进行了人工标注并训练了机器学习分类器，此外还发布了在 5200 万条危机相关 Tweets 上训练的第一大 word2vec word embeddings，以应对消息的语言问题，提出了不同词汇变体的人工标注规范资源。

May, 2016

使用 TensorFlow 对包含文本的文件进行自然语言处理和分类，以探测天然灾害的 Twitter 实时交互。

Apr, 2023

灾害管理是一个极具潜力的研究领域，因为它对经济、环境和社会产生了重大影响。本研究重点分析与灾害管理相关的各种数据（卫星图像和推特数据），以深入分析按地理位置分组的紧急需求。通过两个阶段的研究，分别是卫星图像分析和推特数据分析，最后利用位置进行整合。利用基于 U-Net 架构的多类土地覆盖分割技术对地点进行灾后卫星图像分析是第一个阶段。第二个阶段侧重于为救援行动提供有关灾情和紧急需求的重要信息的地图绘制。通过使用与该地点相关的关键词，筛选出严重受灾地区，并提取推特数据。通过基于内容词的推特摘要（COWTS）技术从大量原始推特中提取情境信息。将这些模块实时整合，利用基于位置的地图绘制和频率分析技术，在发生灾害的情况下收集多维信息，例如对喀拉拉邦和密西西比州洪水进行了测试和验证。本研究的创新之处在于应用分割的卫星图像进行灾害救援，通过突出土地覆盖变化，并通过地区特定的筛选器整合推特数据，获取灾害的完整概览。

Nov, 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

社交媒体在灾难响应方面起到了帮助作用，但受到噪声的干扰，限制了对韧性城市的准确影响评估和决策制定，本研究提出了首个专业领域的 LLM 模型和整合方法，用于进行快速地震影响评估。

May, 2024

在这篇论文中，我们提出了一个三步解决方案，旨在充分利用社交媒体内容和自然语言处理技术，实现灾害信息学中的相关分类、地点提取和主题建模，以应对社交媒体内容中的挑战。

May, 2024

本文介绍了如何构建一个基于在线社交网络的分类器来筛选有关地震的推文，以减少公众在自然灾害时获取相关信息的难度。通过使用 2010 年智利地震的数据集，作者们研究了类不平衡和维度降低等变量对 5 种分类器的影响，为构建类似系统提供了重要的参考和建议。

Mar, 2015

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