論文の概要: Social Media Information Sharing for Natural Disaster Response
- arxiv url: http://arxiv.org/abs/2005.07019v5
- Date: Sun, 11 Jul 2021 15:59:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 12:08:51.406524
- Title: Social Media Information Sharing for Natural Disaster Response
- Title（参考訳）: 自然災害対応のためのソーシャルメディア情報共有
- Authors: Zhijie Sasha Dong, Lingyu Meng, Lauren Christenson, Lawrence Fulton
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Social media has become an essential channel for posting disaster-related
information, which provide governments and relief agencies real-time data for
better disaster management. However, research in this field has not received
sufficient attention and extracting useful information is still challenging.
This paper aims to improve disaster relief efficiency via mining and analyzing
social media data like public attitudes towards disaster response and public
demands for targeted relief supplies during different types of disasters. We
focus on different natural disasters based on properties such as types,
durations, and damages, which contains a total of 41,993 tweets. In this paper,
public perception is assessed qualitatively by manually classified tweets,
which contain information like the demand for targeted relief supplies,
satisfactions of disaster response, and public fear. Public attitudes to
natural disasters are studied via a quantitative analysis using eight machine
learning models. To better provide decision-makers with the appropriate model,
the comparison of machine learning models based on computational time and
prediction accuracy is conducted. The change of public opinion during different
natural disasters and the evolution of people's behavior of using social media
for disaster relief in the face of the identical type of natural disasters as
Twitter continues to evolve are studied. The results in this paper demonstrate
the feasibility and validation of the proposed research approach and provide
relief agencies with insights into better disaster management.
- Abstract（参考訳）: 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ネルとなり、災害管理を改善するために政府や救援機関にリアルタイムデータを提供する。
しかし、この分野の研究は十分な注目を集めておらず、有用な情報を抽出することは依然として困難である。
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。
我々は,41,993件のツイートを含むタイプ,期間,被害などの特性に基づいて,異なる自然災害に焦点を当てた。
本稿では, 災害対応の満足度, 不安感などの情報を含む, 人手による分類ツイートによって, 公共の認知度を定性的に評価する。
自然災害に対する公衆の態度は、8つの機械学習モデルを用いて定量的解析によって研究される。
適切なモデルによる意思決定者に提供するために、計算時間と予測精度に基づく機械学習モデルの比較を行う。
異なる自然災害における世論の変化と、twitterが進化を続ける中、同じタイプの自然災害に直面する災害救済にソーシャルメディアを利用する人々の行動の進化について研究している。
本論文は,提案手法の有効性と妥当性を実証し,災害対策に関する知見を救援庁に提供した。
関連論文リスト
- Enhancing Trustworthiness and Minimising Bias Issues in Leveraging Social Media Data for Disaster Management Response [0.1499944454332829]
リアルタイムデータを活用することは、データの不確実性に大きく対処し、災害対応努力を強化することができる。
ソーシャルメディアは、災害前後のソーシャルメディアの利用が盛んに行われているため、リアルタイムデータの効果的な源泉として現れている。
また、これらのデータの信頼性とバイアスに関する課題も生み出します。
信頼性を高めバイアスを最小化するために使用できる要因を調査し、特定することを目的としている。
論文 参考訳（メタデータ） (2024-08-15T10:59:20Z) - CrisisSense-LLM: Instruction Fine-Tuned Large Language Model for Multi-label Social Media Text Classification in Disaster Informatics [49.2719253711215]
本研究では,事前学習型大規模言語モデル(LLM)の強化による災害テキスト分類への新たなアプローチを提案する。
本手法では,災害関連ツイートから包括的インストラクションデータセットを作成し,それをオープンソース LLM の微調整に用いる。
この微調整モデルでは,災害関連情報の種類,情報化,人的援助の関与など,複数の側面を同時に分類することができる。
論文 参考訳（メタデータ） (2024-06-16T23:01:10Z) - 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) - Sarcasm Detection in a Disaster Context [103.93691731605163]
HurricaneSARCは,意図した皮肉に注釈を付けた15,000ツイートのデータセットである。
私たちの最高のモデルは、データセットで最大0.70F1を得ることができます。
論文 参考訳（メタデータ） (2023-08-16T05:58:12Z) - Detecting Damage Building Using Real-time Crowdsourced Images and
Transfer Learning [53.26496452886417]
本稿では,Twitterなどのソーシャルメディアプラットフォームから地震後の建物画像を自動的に抽出する手法を提案する。
トランスファーラーニングと6500枚の手動ラベル付き画像を用いて,現場に損傷のある建物を画像として認識する深層学習モデルを訓練した。
訓練されたモデルは、異なる場所で新たに取得した地震の画像でテストし、トルコのM7.0地震の後、Twitterのフィードでほぼリアルタイムで実行された。
論文 参考訳（メタデータ） (2021-10-12T06:31:54Z) - Patterns of ICT usage in disaster in Samoa [0.0]
調査では、サモア市民がテクノロジーをどのように利用し、さまざまな種類の情報で行動し、情報ソースやメディアが災害時の行動決定にどう影響するかを調査した。
伝統的な放送は依然として最も顕著で、最も重要であり、早期警戒と災害対応で支配的であった。
また、人々は危機時の情報源として、公式記者を最も信頼していることも判明した。
論文 参考訳（メタデータ） (2021-08-23T05:24:06Z) - 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) - Intelligent Agent for Hurricane Emergency Identification and Text
Information Extraction from Streaming Social Media Big Data [10.783778350418785]
我々はHurricane Harveyと関連するヒューストン洪水を研究の動機付けシナリオとして使っている。
本研究は,災害時緊急対応における緊急センター支援の補助的役割として,インテリジェントエージェントを用いた概念実証のためのプロトタイプを開発する。
本発明のインテリジェントエージェントは、自然災害イベント中にリアルタイムのストリーミングツイートを収集し、救助要請のツイートを識別し、アドレスやジオコードなどの重要な情報を抽出し、意思決定支援においてインタラクティブマップで抽出した情報を可視化する。
論文 参考訳（メタデータ） (2021-06-14T00:12:27Z) - 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)
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。