論文の概要: Social Media Attributions in the Context of Water Crisis

• arxiv url: http://arxiv.org/abs/2001.01697v1
• Date: Mon, 6 Jan 2020 18:20:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 03:04:31.406193
• Title: Social Media Attributions in the Context of Water Crisis
• Title（参考訳）: 水危機の文脈におけるソーシャルメディアの貢献
• Authors: Rupak Sarkar, Hirak Sarkar, Sayantan Mahinder, Ashiqur R. KhudaBukhsh
• Abstract要約: ソーシャルメディアデータとAIによるアプローチを使って、従来の調査を補完し、帰属要因を自動的に抽出する方法について検討する。 我々は,地域問題として始まった最も近年のチェンナイ水危機に焦点を合わせながら,急速に議論の話題へと発展していった。 本稿では,危機の原因となる要因を識別する属性関係検出の新たな課題を提案する。
• 参考スコア（独自算出の注目度）: 13.5346836945515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attribution of natural disasters/collective misfortune is a widely-studied political science problem. However, such studies are typically survey-centric or rely on a handful of experts to weigh in on the matter. In this paper, we explore how can we use social media data and an AI-driven approach to complement traditional surveys and automatically extract attribution factors. We focus on the most-recent Chennai water crisis which started off as a regional issue but rapidly escalated into a discussion topic with global importance following alarming water-crisis statistics. Specifically, we present a novel prediction task of attribution tie detection which identifies the factors held responsible for the crisis (e.g., poor city planning, exploding population etc.). On a challenging data set constructed from YouTube comments (72,098 comments posted by 43,859 users on 623 relevant videos to the crisis), we present a neural classifier to extract attribution ties that achieved a reasonable performance (Accuracy: 81.34\% on attribution detection and 71.19\% on attribution resolution).
• Abstract（参考訳）: 自然災害・不運の帰属は、広く研究されている政治科学の問題である。 しかし、そのような研究は典型的にはサーベイ中心か、その問題に重きを置く専門家に頼っている。 本稿では、ソーシャルメディアデータとAIによるアプローチを用いて、従来の調査を補完し、帰属要因を自動的に抽出する方法を検討する。 我々は,地域問題として始まった最盛期のチェンナイ水危機に焦点をあて,水危機統計を警戒し,世界的重要性を議論する話題に急速にエスカレートした。 具体的には,危機にかかわる要因(都市計画の貧弱,人口の爆発など)を特定する,帰属関係検出の新たな予測課題を提案する。 YouTubeのコメントから構築された挑戦的なデータセット(危機に関連する623の動画で43,859人のユーザーが投稿した72,098のコメント)では、適切なパフォーマンスを達成した帰属関係を抽出するためのニューラルネットワーク分類器を提示している(精度:81.34\%、帰属判定では71.19\%)。

関連論文リスト

• The Odyssey of Commonsense Causality: From Foundational Benchmarks to Cutting-Edge Reasoning [70.16523526957162]
  常識の因果関係を理解することは、人々が現実世界の原理をよりよく理解するのに役立ちます。 その重要性にもかかわらず、このトピックの体系的な探索は特に欠落している。 本研究の目的は、体系的な概要の提供、最近の進歩に関する学者の更新、初心者のための実践的なガイドを提供することである。
  論文  参考訳（メタデータ） (2024-06-27T16:30:50Z)
• CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster Tweet Classification [51.58605842457186]
  半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。 私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
  論文  参考訳（メタデータ） (2023-10-23T07:01:09Z)
• DeCrisisMB: Debiased Semi-Supervised Learning for Crisis Tweet Classification via Memory Bank [52.20298962359658]
  危機イベントにおいて、人々は、状況、警告、アドバイス、サポートに関する情報を広めるために、Twitterのようなソーシャルメディアプラットフォームを使うことが多い。 完全に教師されたアプローチでは、大量のデータを注釈付けする必要があります。 半教師付きモデルは偏りがあり、特定のクラスでは適度に機能し、他のクラスでは極めて貧弱である。 本稿では,メモリバンクを用いて,各学習クラスから生成された擬似ラベルを等しくサンプリングする,単純かつ効果的なデバイアス処理手法であるDeCrisisMBを提案する。
  論文  参考訳（メタデータ） (2023-10-23T05:25:51Z)
• Investigating disaster response through social media data and the Susceptible-Infected-Recovered (SIR) model: A case study of 2020 Western U.S. wildfire season [0.8999666725996975]
  ソーシャルメディアは災害時の公衆の懸念や要求を反映することができる。 Twitterデータからトピックをクラスタリングするために、BERT(Bidirectional Representations from Transformers)トピックモデリングを使用しました。 本研究では、ソーシャルメディアデータを用いたSIRモデルとトピックモデリングが、災害対応を定量的に評価するための意思決定者に提供する方法について詳述する。
  論文  参考訳（メタデータ） (2023-08-10T01:51:33Z)
• Measuring the Effect of Influential Messages on Varying Personas [67.1149173905004]
  我々は、ニュースメッセージを見る際にペルソナが持つ可能性のある応答を推定するために、ニュースメディア向けのペルソナに対するレスポンス予測という新しいタスクを提示する。 提案課題は,モデルにパーソナライズを導入するだけでなく,各応答の感情極性と強度も予測する。 これにより、ペルソナの精神状態に関するより正確で包括的な推測が可能になる。
  論文  参考訳（メタデータ） (2023-05-25T21:01:00Z)
• CrisisLTLSum: A Benchmark for Local Crisis Event Timeline Extraction and Summarization [62.77066949111921]
  本稿では,現在までに利用可能な地域危機イベントタイムラインの最大のデータセットであるCrisisLTLSumについて述べる。 CrisisLTLSumには、山火事、地元の火災、交通、嵐の4つの領域にわたる1000の危機イベントタイムラインが含まれている。 最初の実験では, 両タスクの人的性能と比較して, 強いベースライン性能の間に有意な差があることが示唆された。
  論文  参考訳（メタデータ） (2022-10-25T17:32:40Z)
• Extracting Large Scale Spatio-Temporal Descriptions from Social Media [1.14219428942199]
  大規模イベントの追跡能力は、それらを理解し、適切なタイムリーな方法で反応を調整するために不可欠である。 我々は、ソーシャルメディアのような半構造化データソースを取り込み、このようなデータを拡張できるという仮説を模索している。 ソーシャルメディアは、直接の目撃者や専門家の意見などの貴重な知識を拡散しうるが、その騒々しい性質は、それらを管理しやすくするものではない。
  論文  参考訳（メタデータ） (2022-06-27T13:16:43Z)
• TriggerCit: Early Flood Alerting using Twitter and Geolocation -- a comparison with alternative sources [0.2603110718989132]
  ソーシャルメディアは、進行中のイベント中に市民や組織が投稿した証拠に基づくコンテンツによる緊急対応を支援することができる。 タイムラインと位置情報に焦点を当てた多言語アプローチによる早期洪水警報ツールであるTriggerCitを提案する。 TriggerCitがTwitterから抽出した位置情報による視覚的証拠は、2021年にタイとネパールの洪水に関する2つのケーススタディで分析された。
  論文  参考訳（メタデータ） (2022-02-24T10:55:49Z)
• A Machine learning approach for rapid disaster response based on multi-modal data. The case of housing & shelter needs [0.0]
  災害に遭った人々の最も直接的なニーズの1つは避難所を見つけることである。 本稿では,マルチモーダルデータの融合と解析を目的とした機械学習ワークフローを提案する。 世界中の200以上の災害に対する19の特徴のデータベースに基づいて、意思決定レベルでの融合アプローチが用いられた。
  論文  参考訳（メタデータ） (2021-07-29T18:22:34Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)
• Social Media Information Sharing for Natural Disaster Response [0.0]
  ソーシャルメディアは災害関連情報を投稿するための重要なチャンネルとなり、政府や救援機関が災害管理を改善するためのリアルタイムデータを提供している。 本研究の目的は,災害対応に対する公衆の態度や災害時の防災物資に対する公衆の要求など,ソーシャルメディアデータのマイニング・分析による防災効率の向上である。
  論文  参考訳（メタデータ） (2020-05-08T21:11:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。