論文の概要: Detecting Actionable Requests and Offers on Social Media During Crises Using LLMs

• arxiv url: http://arxiv.org/abs/2504.16144v1
• Date: Tue, 22 Apr 2025 08:34:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:52.872585
• Title: Detecting Actionable Requests and Offers on Social Media During Crises Using LLMs
• Title（参考訳）: LLMを用いたソーシャルメディア上での行動可能な要求・提供の検出
• Authors: Ahmed El Fekih Zguir, Ferda Ofli, Muhammad Imran,
• Abstract要約: 我々は、要求に関する危機関連情報を整理し、供給、緊急人員、行動の3つの重要な次元に提供するための、きめ細かい階層的な分類法を提案する。 本稿では,組込みデータベースからクラス固有のラベル付きサンプルを抽出し,ポストの検出と分類におけるモデルの性能を高めるクエリ特化Few-shot Learning (QSF Learning)を提案する。
• 参考スコア（独自算出の注目度）: 8.17728833322492
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Natural disasters often result in a surge of social media activity, including requests for assistance, offers of help, sentiments, and general updates. To enable humanitarian organizations to respond more efficiently, we propose a fine-grained hierarchical taxonomy to systematically organize crisis-related information about requests and offers into three critical dimensions: supplies, emergency personnel, and actions. Leveraging the capabilities of Large Language Models (LLMs), we introduce Query-Specific Few-shot Learning (QSF Learning) that retrieves class-specific labeled examples from an embedding database to enhance the model's performance in detecting and classifying posts. Beyond classification, we assess the actionability of messages to prioritize posts requiring immediate attention. Extensive experiments demonstrate that our approach outperforms baseline prompting strategies, effectively identifying and prioritizing actionable requests and offers.
• Abstract（参考訳）: 自然災害はしばしば、援助の要請、援助の申し出、感情、一般的なアップデートなど、ソーシャルメディアの活動が急増する。 人道的組織がより効率的に対応できるように、我々は要求に関する危機関連情報を体系的に整理し、供給、緊急要員、行動の3つの重要な側面に提供するための、きめ細かい階層的な分類法を提案する。 本稿では,Large Language Models(LLMs)の機能を活用して,組込みデータベースからクラス固有のラベル付きサンプルを抽出し,ポストの検出と分類においてモデルの性能を向上させるクエリ特化Few-shot Learning(QSF Learning)を導入する。 分類以外にも、直ちに注意を要するポストを優先順位付けするためのメッセージの動作可能性を評価します。 大規模な実験により、我々のアプローチは、行動可能な要求と提供を効果的に識別し優先順位付けし、ベースライン・プロンプト・ストラテジーより優れていることが示された。

関連論文リスト

• Multi-Stakeholder Disaster Insights from Social Media Using Large Language Models [1.6777183511743472]
  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。
  論文  参考訳（メタデータ） (2025-03-30T22:53:52Z)
• Unsupervised Query Routing for Retrieval Augmented Generation [64.47987041500966]
  本稿では,検索強化応答の質を評価するために,"upper-bound"応答を構成する新しい教師なし手法を提案する。 この評価により、与えられたクエリに対して最も適切な検索エンジンを決定することができる。 手動のアノテーションをなくすことで、大規模なユーザクエリを自動的に処理し、トレーニングデータを作成することができる。
  論文  参考訳（メタデータ） (2025-01-14T02:27:06Z)
• 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)
• Monitoring Critical Infrastructure Facilities During Disasters Using Large Language Models [8.17728833322492]
  クリティカルインフラストラクチャー施設(CIF)は、特に大規模緊急時において、コミュニティの機能に不可欠である。 本稿では,大規模言語モデル(LLM)の適用の可能性を探り,自然災害によるCIFの状況を監視する。 我々は2つの異なる国の災害イベントからソーシャルメディアデータを分析し、CIFに対する報告された影響と、その影響の重大さと運用状況を明らかにする。
  論文  参考訳（メタデータ） (2024-04-18T19:41:05Z)
• Query-Dependent Prompt Evaluation and Optimization with Offline Inverse RL [62.824464372594576]
  ゼロショットプロンプト最適化により,Large Language Models (LLM) の算術的推論能力を向上させることを目的とする。 このような最適化では、以前見過ごされたクエリ依存の目的を特定します。 本稿では、オフライン逆強化学習を利用して、実演データから洞察を引き出すPrompt-OIRLを紹介する。
  論文  参考訳（メタデータ） (2023-09-13T01:12:52Z)
• On the Role of Attention in Prompt-tuning [90.97555030446563]
  本研究では,一層アテンションアーキテクチャのプロンプトチューニングについて検討し,文脈混合モデルについて検討する。 ソフトマックス・プロンプト・アテンションは, ソフトマックス・自己アテンションやリニア・プロンプト・アテンションよりも明らかに表現力が高いことを示す。 また、実際のデータセットに関する理論的洞察を検証し、モデルが文脈関連情報にどのように対応できるかを示す実験も提供する。
  論文  参考訳（メタデータ） (2023-06-06T06:23:38Z)
• Coping with low data availability for social media crisis message categorisation [3.0255457622022495]
  この論文は、緊急対応のための危機メッセージの分類において、データ可用性の低い課題に対処することに焦点を当てている。 これはまず、過去の危機イベントから注釈付きデータから分類モデルを学ぶことを含む、この問題の解決策としてドメイン適応を提示する。 モデルが過去の複数のイベントに対してトレーニングされ、進行中の複数のイベントに適応する多対多適応では、マルチタスク学習アプローチが提案される。
  論文  参考訳（メタデータ） (2023-05-26T19:08:24Z)
• Socratic Pretraining: Question-Driven Pretraining for Controllable Summarization [89.04537372465612]
  ソクラティック事前訓練は、要約タスクにおける制御性を改善するために設計された、質問駆動で教師なし事前訓練の目的である。 以上の結果から,Socraticプレトレーニングはタスク固有のラベル付きデータ要件を半分に削減することがわかった。
  論文  参考訳（メタデータ） (2022-12-20T17:27:10Z)
• 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)
• Predicting Themes within Complex Unstructured Texts: A Case Study on Safeguarding Reports [66.39150945184683]
  本稿では,教師付き分類手法を用いた保護レポートにおいて,主テーマの自動識別の問題に焦点をあてる。 この結果から,ラベル付きデータに制限のある複雑なタスクであっても,深層学習モデルが対象知識の振る舞いをシミュレートする可能性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T19:48:23Z)
• Unsupervised and Interpretable Domain Adaptation to Rapidly Filter Tweets for Emergency Services [18.57009530004948]
  本稿では,TRECインシデントストリームの公開データセットを用いて,危機時に関連するツイートを分類する新しい手法を提案する。 私たちは各タスクに専用の注意層を使用して、モデル解釈可能性を提供しています。 新型コロナウイルスのパンデミックに対するユースケースを提供することで、我々の仕事の実践的な意味を示す。
  論文  参考訳（メタデータ） (2020-03-04T06:40:14Z)

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。