May, 2024

QuakeBERT: 社交媒体文本的准确分类以实现地震迅速评估

PDF
TL;DR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。
social mediadisaster responseimpact assessmentllm modelearthquake
发现论文，激发创造
  • 基于文本挖掘和社交媒体分析的地震影响分析

    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

  • 基于命名实体识别和主题建模的社交媒体中自然灾害定位和评估的解决方案

    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

  • 利用众包数据和大型语言模型的接近实时地震致死人数估计

    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

  • 基于 BERT 语言模型的灾难推文分类

    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

  • CrisisSense-LLM：灾难信息学中用于多标签社交媒体文本分类的指令微调大型语言模型

    通过对事先训练的大型语言模型（LLM）进行指令微调，将其嵌入灾害特定知识，从而实现对灾害相关推文的多标签分类，提高社交媒体数据在灾难情境感知中的效用。

    Jun, 2024

  • 地震灾害中寻求帮助的信息的检测：推特下的废墟

    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

  • 基于 Twitter 的市民渠道在自然灾害情况下的相关信息识别

    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

  • 基于多个变压器的洪水相关推特帖子相关性分类

    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

  • 社交媒体作为即时水质反馈渠道

    本研究旨在通过使用社交媒体的数据作为及时反馈，探究社交媒体作为水质监测的潜在价值，同时提出了一个使用多个神经网络结构的框架来分析与检索与水质相关的社交媒体帖子，其中最高的 F1-score 值为 0.81，而总体融合结果最高的 F1-score 值为 0.852。

    Feb, 2022

  • 基于网络检索增强生成的洪水灾害报告系统

    利用 FloodBrain 工具，我们测试了不同的大型语言模型作为生成洪水灾害影响报告的基础，与人工撰写的报告进行对比评估，并通过从网络上提取和整理信息来生成详细准确的报告，旨在提高大型语言模型在灾害影响报告中的应用，减少人道主义救援行动的协调时间。

    Nov, 2023