論文の概要: An Empirical Methodology for Detecting and Prioritizing Needs during Crisis Events

• arxiv url: http://arxiv.org/abs/2006.01439v1
• Date: Tue, 2 Jun 2020 08:02:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 00:59:08.679617
• Title: An Empirical Methodology for Detecting and Prioritizing Needs during Crisis Events
• Title（参考訳）: 危機時のニーズの検出と優先順位付けに関する実証的手法
• Authors: M. Janina Sarol, Ly Dinh, Rezvaneh Rezapour, Chieh-Li Chin, Pingjing Yang, Jana Diesner
• Abstract要約: Twitterのようなソーシャルメディアプラットフォームには、一般市民のニーズに関する膨大な情報が含まれている。 本研究では,2つの異なるニーズ検出タスクのための2つの新しい手法を提案する。 新型コロナウイルスの危機に関する一連のツイートで、私たちの手法を評価しました。
• 参考スコア（独自算出の注目度）: 2.0605537665985687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In times of crisis, identifying the essential needs is a crucial step to providing appropriate resources and services to affected entities. Social media platforms such as Twitter contain vast amount of information about the general public's needs. However, the sparsity of the information as well as the amount of noisy content present a challenge to practitioners to effectively identify shared information on these platforms. In this study, we propose two novel methods for two distinct but related needs detection tasks: the identification of 1) a list of resources needed ranked by priority, and 2) sentences that specify who-needs-what resources. We evaluated our methods on a set of tweets about the COVID-19 crisis. For task 1 (detecting top needs), we compared our results against two given lists of resources and achieved 64% precision. For task 2 (detecting who-needs-what), we compared our results on a set of 1,000 annotated tweets and achieved a 68% F1-score.
• Abstract（参考訳）: 危機のとき、必要不可欠なニーズを特定することは、影響を受けるエンティティに適切なリソースとサービスを提供するための重要なステップです。 twitterのようなソーシャルメディアプラットフォームは、一般大衆のニーズに関する膨大な情報を含んでいる。 しかし,情報の空間性やノイズの多い内容の量は,これらのプラットフォーム上での共有情報を効果的に識別することが課題となっている。 本研究では,2つの異なるニーズ検出タスクのための2つの新しい手法を提案する。 1) 優先的にランク付けするために必要な資源のリスト及び 2) 必要な資源を特定する文 我々は、covid-19危機に関する一連のツイートについて、我々の方法を評価した。 タスク1(トップニーズの検出)では,2つのリソースリストを比較し,64%の精度を達成した。 タスク2では、1000の注釈付きツイートで結果を比較し、68%のF1スコアを達成しました。

関連論文リスト

• Collaborative Knowledge Infusion for Low-resource Stance Detection [83.88515573352795]
  姿勢検出モデルを支援するために、ターゲット関連の知識がしばしば必要である。 低リソース姿勢検出タスクに対する協調的知識注入手法を提案する。
  論文  参考訳（メタデータ） (2024-03-28T08:32:14Z)
• Uncertainty of Thoughts: Uncertainty-Aware Planning Enhances Information Seeking in Large Language Models [73.79091519226026]
  Uncertainty of Thoughts (UoT) は、大きな言語モデルを拡張するアルゴリズムであり、効果的な質問をすることで積極的に情報を求めることができる。 医療診断、トラブルシューティング、および20の質問ゲームに関する実験において、UoTは、タスク完了の成功率において平均38.1%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-02-05T18:28:44Z)
• Low-Resource Dense Retrieval for Open-Domain Question Answering: A Comprehensive Survey [23.854086903936647]
  低リソースDRの主流技術について概観する。 本手法は,(1)文書のみが必要であること,(2)文書と質問が必要であること,(3)文書と質問対が必要であること,の3つのカテゴリに分けられる。 いずれの手法も、その汎用アルゴリズムを導入し、オープンな問題と長所と短所を強調し、今後の研究の方向性を概説する。
  論文  参考訳（メタデータ） (2022-08-05T14:35:03Z)
• Algorithmic Fairness Datasets: the Story so Far [68.45921483094705]
  データ駆動アルゴリズムは、人々の幸福に直接影響し、批判的な決定をサポートするために、さまざまな領域で研究されている。 研究者のコミュニティは、既存のアルゴリズムの株式を調査し、新しいアルゴリズムを提案し、歴史的に不利な人口に対する自動意思決定のリスクと機会の理解を深めてきた。 公正な機械学習の進歩はデータに基づいており、適切に文書化された場合にのみ適切に使用できる。 残念なことに、アルゴリズムフェアネスコミュニティは、特定のリソース(オパシティ)に関する情報の不足と利用可能な情報の分散(スパーシティ)によって引き起こされる、集合的なデータドキュメント負債に悩まされている。
  論文  参考訳（メタデータ） (2022-02-03T17:25:46Z)
• Active Multi-Task Representation Learning [50.13453053304159]
  本研究は,アクティブラーニングの手法を活用することで,資源タスクのサンプリングに関する最初の公式な研究を行う。 提案手法は, 対象タスクに対する各ソースタスクの関連性を反復的に推定し, その関連性に基づいて各ソースタスクからサンプルを抽出するアルゴリズムである。
  論文  参考訳（メタデータ） (2022-02-02T08:23:24Z)
• UCD-CS at TREC 2021 Incident Streams Track [3.4392739159262145]
  TRECインシデントストリーム(IS)トラックは、この目的で編成された研究課題である。 このトラックは参加するシステムに対して、危機に関連するツイートのストリームを人道支援関連の情報タイプに分類するよう求めている。 TREC-IS 2021におけるUCD-CS(University College Dublin School of Computer Science)の参加について報告する。
  論文  参考訳（メタデータ） (2021-12-07T14:47:27Z)
• Exposing Query Identification for Search Transparency [69.06545074617685]
  本稿では,検索システムの2つのクラスにおいて,クエリとドキュメントの役割を逆転させることにより,検索タスクとしてのEQIの実現可能性について検討する。 本研究では,クエリのランク付けの質を評価するための評価基準を導出するとともに,近似EQIの様々な実践的側面に着目した経験的分析を行う。
  論文  参考訳（メタデータ） (2021-10-14T20:19:27Z)
• Wizard of Search Engine: Access to Information Through Conversations with Search Engines [58.53420685514819]
  我々は3つの側面からCISの研究を促進するために努力している。 目的検出(ID)、キーフレーズ抽出(KE)、行動予測(AP)、クエリ選択(QS)、通過選択(PS)、応答生成(RG)の6つのサブタスクでCIS用のパイプラインを定式化する。 検索エンジンのウィザード(WISE)と呼ばれるベンチマークデータセットをリリースし、CISのすべての側面について包括的かつ詳細な調査を可能にします。
  論文  参考訳（メタデータ） (2021-05-18T06:35:36Z)
• Multi-task transfer learning for finding actionable information from crisis-related messages on social media [3.4392739159262145]
  インシデントストリーム(IS)トラックは、緊急対応のために危機時にソーシャルメディアから重要な情報を見つけることを目的とした研究課題です。 危機関連ツイートのストリームが与えられると、isチャレンジは参加システムに対して、各ツイートにおけるユーザの関心やニーズのタイプを分類するように要求する。 本稿では,この課題に対するマルチタスク転送学習手法について述べる。
  論文  参考訳（メタデータ） (2021-02-26T11:11:33Z)
• I-AID: Identifying Actionable Information from Disaster-related Tweets [0.0]
  ソーシャルメディアは、被災者、寄付、支援要請に関する貴重なデータを提供することによって、災害管理において重要な役割を担っている。 ツイートを自動的にマルチラベル情報タイプに分類するマルチモデルアプローチであるI-AIDを提案する。 以上の結果から,I-AIDはTREC-ISデータセットおよびCOVID-19 Tweetsにおいて,平均F1得点の6%,+4%において最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-08-04T19:07:50Z)

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。