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

本文研究了利用社交媒体，通过 NLP 方法对 2020 年 10 月伊兹密尔地震的 Twitter 帖子进行情感分析和主题建模，探讨分析结果是否可以及时用于社会推理，发现用户在地震后分享了他们的善意愿望并旨在向有关机构和组织表达自己的声音，该研究提出的方法有效且具有未来研究价值。

Dec, 2022

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

通过多语言的、群体化的社交媒体，引入一个端到端的框架，显著提高全球地震引发的人员损失预测的及时性和准确性。该框架集成了（1）基于大型语言模型、提示设计和少样本学习的分级伤亡提取模型，用于从社交媒体中检索定量人员损失索赔，（2）一个考虑物理约束的、动态真实性发现模型，从大量嘈杂和潜在冲突的人员损失索赔中发现真实的人员损失，和（3）一个贝叶斯更新损失投影模型，使用发现的真实数据动态更新最终的损失估计。我们实时测试该框架在 2021 年和 2022 年的一系列全球地震事件上，并展示我们的框架简化了伤亡数据的获取，实现了与美国地质调查局手动方法相当的速度和准确性。

Dec, 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

本研究提出了一种方法，对社交媒体进行灵活的支持，特别是在紧急情况下的社交媒体分析，基于自动化数据处理的工具可用于筛选、分类和地理位置标记内容，同时杂交方法支持人工数据分析师的反馈和建议，从民众中收集输入。通过 Euroopean 项目中的三个案例研究进行结果验证。

Aug, 2022

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

本文提出了一种基于卷积神经网络和类别激活映射的新方法，用于在社交媒体图像中定位灾害损失并量化其程度，从而提供一种相对于昂贵的地理信息系统方法更为经济有效的、基于社交网络图像的灾后损失评估方案。

Jun, 2018

本文综述了利用社交媒体进行智能化灾难救援和响应的新前沿，研究了灾难的不同阶段在社交媒体上如何表现，建立了基于社交媒体的建议方法与首次救援组织之间的联系，并概述了当前挑战和未来研究方向。

Sep, 2017

本文研究了在灾难中使用社交媒体如 Twitter 等传播信息以提高灾难控制。当前流行的通过学习的方法无法很好地识别与灾难相关的推文，因此我们提出了一种基于匹配关键词和标签的简单而有效的算法。结果表明，我们的方法提供了更高质量和更可解释的情绪分析任务相关的推文，是一种可行的方法。

May, 2017