論文の概要: Multi-Stakeholder Disaster Insights from Social Media Using Large Language Models

• arxiv url: http://arxiv.org/abs/2504.00046v2
• Date: Thu, 17 Apr 2025 11:29:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:34:24.542530
• Title: Multi-Stakeholder Disaster Insights from Social Media Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたソーシャルメディアからの多人数災害調査
• Authors: Loris Belcastro, Cristian Cosentino, Fabrizio Marozzo, Merve Gündüz-Cüre, Sule Öztürk-Birim,
• Abstract要約: ソーシャルメディアは、災害や緊急時にユーザーがフィードバックや問題を迅速に共有するための主要なチャンネルとして現れてきた。 本稿では, LLMの能力を活用して災害対応と管理を強化する手法を提案する。 提案手法は,生のユーザフィードバックと利害関係者固有のレポートのギャップを埋めるために,分類手法と生成AIを組み合わせる。
• 参考スコア（独自算出の注目度）: 1.6777183511743472
• License:
• Abstract: In recent years, social media has emerged as a primary channel for users to promptly share feedback and issues during disasters and emergencies, playing a key role in crisis management. While significant progress has been made in collecting and analyzing social media content, there remains a pressing need to enhance the automation, aggregation, and customization of this data to deliver actionable insights tailored to diverse stakeholders, including the press, police, EMS, and firefighters. This effort is essential for improving the coordination of activities such as relief efforts, resource distribution, and media communication. This paper presents a methodology that leverages the capabilities of LLMs to enhance disaster response and management. Our approach combines classification techniques with generative AI to bridge the gap between raw user feedback and stakeholder-specific reports. Social media posts shared during catastrophic events are analyzed with a focus on user-reported issues, service interruptions, and encountered challenges. We employ full-spectrum LLMs, using analytical models like BERT for precise, multi-dimensional classification of content type, sentiment, emotion, geolocation, and topic. Generative models such as ChatGPT are then used to produce human-readable, informative reports tailored to distinct audiences, synthesizing insights derived from detailed classifications. We compare standard approaches, which analyze posts directly using prompts in ChatGPT, to our advanced method, which incorporates multi-dimensional classification, sub-event selection, and tailored report generation. Our methodology demonstrates superior performance in both quantitative metrics, such as text coherence scores and latent representations, and qualitative assessments by automated tools and field experts, delivering precise insights for diverse disaster response stakeholders.
• Abstract（参考訳）: 近年、ソーシャルメディアは災害時や緊急事態時のフィードバックや問題を迅速に共有するための主要なチャンネルとして登場し、危機管理において重要な役割を担っている。 ソーシャルメディアのコンテンツの収集と分析には大きな進歩があったが、メディア、警察、EMS、消防士など、様々な利害関係者に合わせた行動可能な洞察を提供するために、このデータの自動化、集約、カスタマイズを強化する必要がある。 この取り組みは、救援活動、資源流通、メディアコミュニケーションといった活動のコーディネーションを改善するために不可欠である。 本稿では, LLMの能力を活用して災害対応と管理を強化する手法を提案する。 提案手法は,生のユーザフィードバックと利害関係者固有のレポートのギャップを埋めるために,分類手法と生成AIを組み合わせる。 破滅的な出来事で共有されたソーシャルメディア投稿は、ユーザの報告した問題、サービスの中断、直面した課題に焦点をあてて分析される。 我々は、BERTのような分析モデルを用いて、コンテンツタイプ、感情、感情、位置情報、トピックの正確な多次元分類を行う。 その後、ChatGPTのような生成モデルは、異なるオーディエンスに適した人間可読で情報的なレポートを生成するために使用され、詳細な分類から導かれる洞察を合成する。 我々はChatGPTのプロンプトを直接利用して投稿を解析する標準的な手法と、多次元分類、サブイベント選択、調整されたレポート生成を含む先進的な手法を比較した。 本手法は,テキストコヒーレンススコアや潜在表現などの定量的指標と,自動ツールや現場専門家による質的評価の両方において優れた性能を示し,多様な災害対応ステークホルダーに対する正確な洞察を提供する。

関連論文リスト

• Transit Pulse: Utilizing Social Media as a Source for Customer Feedback and Information Extraction with Large Language Model [12.6020349733674]
  本稿では,交通関連情報を抽出し,分析するための新しい手法を提案する。 提案手法では,Large Language Models (LLM) ,特にLlama 3を合理化解析に用いている。 以上の結果から,公共交通機関におけるソーシャルメディアデータ分析を変革するLLMの可能性が示された。
  論文  参考訳（メタデータ） (2024-10-19T07:08:40Z)
• A Social Context-aware Graph-based Multimodal Attentive Learning Framework for Disaster Content Classification during Emergencies [0.0]
  CrisisSpotは、テキストと視覚の複雑な関係をキャプチャする手法である。 IDEAは、データ内の調和とコントラストの両方のパターンをキャプチャして、マルチモーダルインタラクションを強化する。 CrisisSpotは最先端の手法と比較してF1スコアの平均9.45%と5.01%の上昇を達成した。
  論文  参考訳（メタデータ） (2024-10-11T13:51:46Z)
• 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)
• Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
  本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。 まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。 次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
  論文  参考訳（メタデータ） (2023-09-02T00:32:55Z)
• ManiTweet: A New Benchmark for Identifying Manipulation of News on Social Media [74.93847489218008]
  ソーシャルメディア上でのニュースの操作を識別し,ソーシャルメディア投稿の操作を検出し,操作された情報や挿入された情報を特定することを目的とした,新しいタスクを提案する。 この課題を研究するために,データ収集スキーマを提案し,3.6K対のツイートとそれに対応する記事からなるManiTweetと呼ばれるデータセットをキュレートした。 我々の分析では、このタスクは非常に難しいことを示し、大きな言語モデル(LLM)は不満足なパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2023-05-23T16:40:07Z)
• Transformer-based Multi-task Learning for Disaster Tweet Categorisation [2.9112649816695204]
  ソーシャルメディアは、人々がタイムリーな方法で情報を流すことを可能にし、危機時に助けを求めるメッセージを投稿する動機となった。 これらのメッセージは、情報タイプに応じて分類される必要がある緊急対応者の状況認識に寄与する。 情報型を分類し,これらのメッセージの優先度を推定するトランスフォーマーベースのマルチタスク学習(MTL)手法を提案する。
  論文  参考訳（メタデータ） (2021-10-15T11:13:46Z)
• Author Clustering and Topic Estimation for Short Texts [69.54017251622211]
  同じ文書中の単語間の強い依存をモデル化することにより、遅延ディリクレ割当を拡張できる新しいモデルを提案する。 同時にユーザをクラスタ化し、ホック後のクラスタ推定の必要性を排除しています。 我々の手法は、短文で生じる問題に対する従来のアプローチよりも、-または----------- で機能する。
  論文  参考訳（メタデータ） (2021-06-15T20:55:55Z)
• Unsupervised Summarization for Chat Logs with Topic-Oriented Ranking and Context-Aware Auto-Encoders [59.038157066874255]
  本稿では,手動ラベル付きデータを用いずにチャット要約を行うrankaeという新しいフレームワークを提案する。 RankAEは、中心性と多様性に応じてトピックの発話を同時に選択するトピック指向のランキング戦略で構成されています。 消音自動エンコーダは、選択された発話に基づいて簡潔でコンテキスト情報に基づいた要約を生成するように設計されています。
  論文  参考訳（メタデータ） (2020-12-14T07:31:17Z)
• Multimodal Categorization of Crisis Events in Social Media [81.07061295887172]
  本稿では,画像とテキストの両方を入力として利用するマルチモーダル融合法を提案する。 特に、弱モダリティから非形式的および誤解を招くコンポーネントをフィルタリングできるクロスアテンションモジュールを導入する。 本手法は,3つの危機関連タスクにおいて,一様アプローチと強いマルチモーダルベースラインを大きなマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2020-04-10T06:31:30Z)

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。