論文の概要: Big Data Analytics in Humanitarian and Disaster Operations: A Systematic
Review
- arxiv url: http://arxiv.org/abs/2108.09800v2
- Date: Thu, 2 Sep 2021 10:24:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 18:46:33.446487
- Title: Big Data Analytics in Humanitarian and Disaster Operations: A Systematic
Review
- Title（参考訳）: 人道的・災害的運用におけるビッグデータ分析--体系的レビュー
- Authors: Abhilash Kondraganti
- Abstract要約: このレビューは、人道的・災害的な環境でのビッグデータ分析の全体的理解を提供することを目的としている。
本研究は,災害期における研究の不均衡を顕著に示し,レスポンシブ対策に重点が置かれていることを明らかにする。
全体として、この研究は人道的および災害環境でのビッグデータ分析の現状について詳述している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: By the outset of this review, 168 million people needed humanitarian aid, and
the number grew to 235 million by the end of the completion of this review.
There is no time to lose, definitely no data to lose. Humanitarian relief is
crucial not just to contend with a pandemic once a century but also to provide
help during civil conflicts, ever-increasing natural disasters, and other forms
of crisis. Reliance on technology has never been so relevant and critical than
now. The creation of more data and advancements in data analytics provides an
opportunity to the humanitarian field. This review aimed at providing a
holistic understanding of big data analytics in a humanitarian and disaster
setting. A systematic literature review method is used to examine the field and
the results of this review explain research gaps, and opportunities available
for future research. This study has shown a significant research imbalance in
the disaster phase, highlighting how the emphasis is on responsive measures
than preventive measures. Such reactionary measures would only exacerbate the
disaster, as is the case in many nations with COVID-19. Overall this research
details the current state of big data analytics in a humanitarian and disaster
setting.
- Abstract（参考訳）: このレビューの開始時点で、1億6800万人が人道支援を必要としており、このレビューの完成までに2億3500万人に増えた。
失う時間はないし、失うデータもない。
人道的救済は1世紀一度のパンデミックとの戦いだけでなく、内戦や自然災害の頻繁化、その他の危機への支援も重要である。
テクノロジーへの信頼は今まで以上に重要で重要なものではなかった。
データ分析におけるさらなるデータ作成と進歩は、人道的分野の機会を提供する。
このレビューは、人道的および災害時のビッグデータ分析を総合的に理解することを目的としている。
本研究の成果は,研究のギャップと今後の研究の機会を説明するために,体系的な文献レビュー手法を用いている。
本研究は,防災対策よりもレスポンシブ対策に重点が置かれている点を強調し,災害期における研究の不均衡を明らかにした。
こうしたリアクション対策は、新型コロナウイルス(COVID-19)の多くの国と同様、災害を悪化させるだけだ。
全体として、この研究は、人道的および災害環境でのビッグデータ分析の現状を詳述している。
関連論文リスト
- 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) - A New Task and Dataset on Detecting Attacks on Human Rights Defenders [68.45906430323156]
我々は,500のオンラインニュース記事にクラウドソーシングされたアノテーションからなる人権擁護者に対する攻撃(HRDsAttack)を検出するための新しいデータセットを提案する。
アノテーションには、攻撃のタイプと場所に関する詳細な情報と、被害者に関する情報が含まれている。
いくつかのサブタスク上でベースラインモデルをトレーニングし,評価し,注釈付き特性を予測することで,データセットの有用性を実証する。
論文 参考訳（メタデータ） (2023-06-30T14:20:06Z) - Leveraging Domain Knowledge for Inclusive and Bias-aware Humanitarian
Response Entry Classification [3.824858358548714]
我々は人道的データ分析のための効果的かつ倫理的なシステムの提供を目指している。
人道分析フレームワークに適応した新しいアーキテクチャを導入する。
我々はまた、測定とバイアスの体系的な方法を提案する。
論文 参考訳（メタデータ） (2023-05-26T09:15:05Z) - Human Behavior in the Time of COVID-19: Learning from Big Data [71.26355067309193]
2020年3月以降、新型コロナウイルスの感染者は6億人を超え、600万人以上が死亡している。
パンデミックはあらゆる面で人間の行動に影響を与え、変化をもたらした。
研究者は自然言語処理、コンピュータビジョン、音声信号処理、頻繁なパターンマイニング、機械学習といったビッグデータ技術を採用してきた。
論文 参考訳（メタデータ） (2023-03-23T17:19:26Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - Proceedings of KDD 2021 Workshop on Data-driven Humanitarian Mapping:
Harnessing Human-Machine Intelligence for High-Stake Public Policy and
Resilience Planning [10.76026718771657]
人道的課題は、世界中の脆弱なコミュニティに不当に影響を及ぼす。
こうした危機が拡大しているにもかかわらず、公正な公共政策決定を科学的に伝えるためのデータサイエンス研究の顕著な曖昧さは依然として残っている。
このギャップを埋めるためのデータ駆動型人道マッピング研究プログラムを提案する。
論文 参考訳（メタデータ） (2021-08-31T22:41:14Z) - 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) - The Past, Present, and Future of COVID-19: A Data-Driven Perspective [4.373183416616983]
新型コロナウイルスの重要な意思決定支援システムとして,Webベースの統合リアルタイム運用ダッシュボードの開発と展開について報告する。
パンデミックの今後の結果を予測するため,各種認証情報から得られるデータをもとにデータ駆動分析を行った。
また,パンデミックの拡大と社会・経済・環境要因との関係についても検討した。
論文 参考訳（メタデータ） (2020-08-12T19:03:57Z) - 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。