論文の概要: Public Health in Disaster: Emotional Health and Life Incidents Extraction during Hurricane Harvey

• arxiv url: http://arxiv.org/abs/2408.11133v1
• Date: Tue, 20 Aug 2024 18:31:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-22 21:16:53.901136
• Title: Public Health in Disaster: Emotional Health and Life Incidents Extraction during Hurricane Harvey
• Title（参考訳）: 災害時の公衆衛生 : ハリケーン災害時の情緒的健康・生活事故の抽出
• Authors: Thomas Hoang, Quynh Anh Nguyen, Long Nguyen,
• Abstract要約: 嵐に関連する40万件の公開ツイートのデータセットを収集しました。 BERTベースのモデルを用いて、各ツイートに関連する感情を予測した。 グラフニューラルネットワーク(GNN)とLarge Language Models(LLM)を統合して分析をさらに改良した。
• 参考スコア（独自算出の注目度）: 1.433758865948252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Countless disasters have resulted from climate change, causing severe damage to infrastructure and the economy. These disasters have significant societal impacts, necessitating mental health services for the millions affected. To prepare for and respond effectively to such events, it is important to understand people's emotions and the life incidents they experience before and after a disaster strikes. In this case study, we collected a dataset of approximately 400,000 public tweets related to the storm. Using a BERT-based model, we predicted the emotions associated with each tweet. To efficiently identify these topics, we utilized the Latent Dirichlet Allocation (LDA) technique for topic modeling, which allowed us to bypass manual content analysis and extract meaningful patterns from the data. However, rather than stopping at topic identification like previous methods \cite{math11244910}, we further refined our analysis by integrating Graph Neural Networks (GNN) and Large Language Models (LLM). The GNN was employed to generate embeddings and construct a similarity graph of the tweets, which was then used to optimize clustering. Subsequently, we used an LLM to automatically generate descriptive names for each event cluster, offering critical insights for disaster preparedness and response strategies.
• Abstract（参考訳）: 無数の災害が気候変動によって引き起こされ、インフラや経済に深刻な被害をもたらした。 これらの災害は社会に重大な影響を及ぼし、影響を受けた何百万人ものメンタルヘルスサービスを必要としている。 このような事態に備え、効果的に対応するためには、災害前後に経験する人々の感情や人生の出来事を理解することが重要である。 このケーススタディでは、嵐に関連する約40万の公開ツイートのデータセットを収集しました。 BERTベースのモデルを用いて、各ツイートに関連する感情を予測した。 これらのトピックを効率的に識別するために、トピックモデリングにLDA(Latent Dirichlet Allocation)技術を使用し、手動によるコンテンツ分析を回避し、データから意味のあるパターンを抽出する。 しかし,従来の方法であるcite{math11244910} のようにトピック識別を停止するのではなく,グラフニューラルネットワーク (GNN) とLarge Language Models (LLM) を統合して解析を改良した。 GNNは埋め込みを生成し、ツイートの類似性グラフを構築するために使われ、クラスタリングの最適化に使用された。 その後、LLMを使用して、各イベントクラスタの記述的名前を自動的に生成し、災害の準備と対応戦略に関する重要な洞察を提供する。

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)
• 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)
• IKDSumm: Incorporating Key-phrases into BERT for extractive Disaster Tweet Summarization [5.299958874647294]
  災害固有のつぶやき要約フレームワークIKDSummを提案する。 IKDSummは、そのツイートのキーフレーズを通じて、災害に関連する各ツイートから重要かつ重要な情報を識別する。 これらのキーワードを使って、ツイートの要約を自動的に生成する。
  論文  参考訳（メタデータ） (2023-05-19T11:05:55Z)
• When a crisis strikes: Emotion analysis and detection during COVID-19 [96.03869351276478]
  感情をラベル付けした1万ツイートのCovidEmoを紹介します。 事前学習された言語モデルがドメインや危機をまたいでどのように一般化するかを検討する。
  論文  参考訳（メタデータ） (2021-07-23T04:07:14Z)
• 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)
• Detecting Perceived Emotions in Hurricane Disasters [62.760131661847986]
  私たちはHurricaneEmoを紹介します。HurricaneEmoは、Harvey、Irma、Mariaの3つのハリケーンにまたがる15,000の英語ツイートの感情データセットです。 本稿では, きめ細かい感情を包括的に研究し, 粗い感情群を識別するための分類タスクを提案する。
  論文  参考訳（メタデータ） (2020-04-29T16:17:49Z)
• Semantic-based End-to-End Learning for Typhoon Intensity Prediction [0.2580765958706853]
  既存の技術では、過去の環境データからやってくる災害を予測するために、さまざまな機械学習アプローチを採用している。 ソーシャルメディアの投稿(例えば、つぶやき)は非常に非公式であり、コンテンツは限られている。 災害関連つぶやきや環境データから学習し,台風の震度予測を改善するためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-22T01:13:20Z)

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。