技术泛滥与理论匮乏:灾害中的情绪挖掘
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
该研究介绍了HurricaneEmo情感数据集,其中包含15,000条带有情感的英文推文,覆盖了三个飓风: Harvey,Irma和Maria,并探讨了利用社交媒体平台分析灾难领域情感的挑战和价值。
Apr, 2020
本文介绍了使用弱监督创建标记数据集以训练机器学习模型来识别三种不同类型的自然灾害的方法,其表现优于人工标注的金标准数据集,并公开了数据集以供科研社区使用。
Jul, 2022
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
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
该论文系统回顾了结合情感信息进行社交媒体中精神疾病检测的方法。讨论了数据集可用性和质量、算法性能和可解释性等方面面临的挑战,并提出了未来研究的潜在方向。
Apr, 2023
该研究旨在分析关于霍乱的社交媒体帖子中表达的情绪,使用自然语言处理工具、机器学习模型等方法进行情感分类,结果显示LSTM模型的准确率最高,情感分类对于深入了解霍乱对社会的影响具有潜在的作用,并能为公共卫生战略的制定提供有效干预措施。
May, 2024
本研究解决了在海量非结构化社交媒体数据中识别灾害相关推文的难题。通过比较关键词过滤、通用数据微调的RoBERTa模型以及主动学习(AL)训练的RoBERTa模型,发现结合通用微调和主动学习的模型在分类性能上表现最佳,显著降低了标注工作量。这一模型可广泛应用于灾害应对及社会媒体分析的相关研究中。
Aug, 2024
本研究解决了气候变化引发的灾难对心理健康服务需求的空白,通过分析哈维飓风期间的社交媒体数据,探讨人们在灾难前后的情感及生活事件。我们采用结合BERT模型、图神经网络(GNN)和大语言模型(LLM)的创新方法,不仅识别事件主题,还生成事件聚类的描述性名称,提供了灾难准备和响应的关键见解。
Aug, 2024