論文の概要: Extracting Disaster Impacts and Impact Related Locations in Social Media Posts Using Large Language Models

• arxiv url: http://arxiv.org/abs/2511.21753v1
• Date: Mon, 24 Nov 2025 02:55:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.20918
• Title: Extracting Disaster Impacts and Impact Related Locations in Social Media Posts 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投稿における災害影響の抽出と関連場所の抽出
• Authors: Sameeah Noreen Hameed, Surangika Ranathunga, Raj Prasanna, Kristin Stock, Christopher B. Jones,
• Abstract要約: 本研究は大規模言語モデル(LLM)を用いて,災害関連ソーシャルメディア投稿で言及されているすべての場所,影響,影響の特定を行う。 我々の微調整モデルでは, 衝撃に対するF1スコア0.69, 衝撃を受けた位置抽出のための0.74が有効である。
• 参考スコア（独自算出の注目度）: 2.1098501764844464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale disasters can often result in catastrophic consequences on people and infrastructure. Situation awareness about such disaster impacts generated by authoritative data from in-situ sensors, remote sensing imagery, and/or geographic data is often limited due to atmospheric opacity, satellite revisits, and time limitations. This often results in geo-temporal information gaps. In contrast, impact-related social media posts can act as "geo-sensors" during a disaster, where people describe specific impacts and locations. However, not all locations mentioned in disaster-related social media posts relate to an impact. Only the impacted locations are critical for directing resources effectively. e.g., "The death toll from a fire which ripped through the Greek coastal town of #Mati stood at 80, with dozens of people unaccounted for as forensic experts tried to identify victims who were burned alive #Greecefires #AthensFires #Athens #Greece." contains impacted location "Mati" and non-impacted locations "Greece" and "Athens". This research uses Large Language Models (LLMs) to identify all locations, impacts and impacted locations mentioned in disaster-related social media posts. In the process, LLMs are fine-tuned to identify only impacts and impacted locations (as distinct from other, non-impacted locations), including locations mentioned in informal expressions, abbreviations, and short forms. Our fine-tuned model demonstrates efficacy, achieving an F1-score of 0.69 for impact and 0.74 for impacted location extraction, substantially outperforming the pre-trained baseline. These robust results confirm the potential of fine-tuned language models to offer a scalable solution for timely decision-making in resource allocation, situational awareness, and post-disaster recovery planning for responders.
• Abstract（参考訳）: 大規模な災害は、しばしば人やインフラに壊滅的な結果をもたらす。 地中センサー、リモートセンシング画像、および/または地理的データからの権威データから生じる災害影響に対する環境意識は、大気の透明度、衛星の再訪、時間制限によって制限されることが多い。 これは時空間的な情報ギャップをもたらすことが多い。 対照的に、影響に関連するソーシャルメディア投稿は、災害時に特定の影響や場所を記述する「ジオセンサー」として機能することがある。 しかし、災害関連のソーシャルメディア投稿で言及されているすべての場所が影響に関連しているわけではない。 影響を受けた場所だけが資源を効果的に誘導するために重要である。 ギリシャ沿岸の町「マティ」を通り抜けた火災による死者は80人に上り、鑑識の専門家が生きたまま焼かれた犠牲者を特定しようとしたとして、数十人が無名だった。 本研究は大規模言語モデル(LLM)を用いて,災害関連ソーシャルメディア投稿で言及されているすべての場所,影響,影響の特定を行う。 このプロセスでは、LSMは、非公式な表現、略語、短い形式を含む影響や影響のある場所(他の非影響の場所とは別個のもの)のみを特定するように微調整される。 我々の微調整モデルでは,F1スコアが0.69,衝撃を受けた位置抽出が0.74,事前訓練されたベースラインがほぼ上回っている。 これらの堅牢な結果は、リソース割り当てのタイムリーな意思決定、状況認識、そして応答者に対するディスアスター後のリカバリ計画のためのスケーラブルなソリューションを提供するための微調整言語モデルの可能性を確認する。

関連論文リスト

• Earthquake Response Analysis with AI [0.1712057811511209]
  本研究は, 地震応答解析にTwitterデータを活用する可能性を探るものである。 自然言語処理(NLP)技術を取り入れた機械学習(ML)フレームワークを開発した。 このアプローチは主に、影響を受けた地域を特定するために、ツイートから位置情報を抽出することに焦点を当てている。
  論文  参考訳（メタデータ） (2025-03-14T17:45:07Z)
• CrisisSense-LLM: Instruction Fine-Tuned Large Language Model for Multi-label Social Media Text Classification in Disaster Informatics [50.122541222825156]
  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)
• Natural Disaster Analysis using Satellite Imagery and Social-Media Data for Emergency Response Situations [0.0]
  この研究は、衛星画像分析とTwitterデータ分析という2つの段階に分けられている。 第1段階は、災害前の衛星画像解析である。 第2段階は、災害状況に関する重要な情報で地域をマッピングすることに焦点を当てている。
  論文  参考訳（メタデータ） (2023-11-16T15:01:26Z)
• 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)
• Investigating disaster response through social media data and the Susceptible-Infected-Recovered (SIR) model: A case study of 2020 Western U.S. wildfire season [0.8999666725996975]
  ソーシャルメディアは災害時の公衆の懸念や要求を反映することができる。 Twitterデータからトピックをクラスタリングするために、BERT(Bidirectional Representations from Transformers)トピックモデリングを使用しました。 本研究では、ソーシャルメディアデータを用いたSIRモデルとトピックモデリングが、災害対応を定量的に評価するための意思決定者に提供する方法について詳述する。
  論文  参考訳（メタデータ） (2023-08-10T01:51:33Z)
• Detecting Damage Building Using Real-time Crowdsourced Images and Transfer Learning [53.26496452886417]
  本稿では,Twitterなどのソーシャルメディアプラットフォームから地震後の建物画像を自動的に抽出する手法を提案する。 トランスファーラーニングと6500枚の手動ラベル付き画像を用いて,現場に損傷のある建物を画像として認識する深層学習モデルを訓練した。 訓練されたモデルは、異なる場所で新たに取得した地震の画像でテストし、トルコのM7.0地震の後、Twitterのフィードでほぼリアルタイムで実行された。
  論文  参考訳（メタデータ） (2021-10-12T06:31:54Z)
• Attention Based Semantic Segmentation on UAV Dataset for Natural Disaster Damage Assessment [0.7614628596146599]
  我々は,高解像度UAVデータセット上に,自己アテンションに基づくセマンティックセマンティックセマンティクスモデルを実装した。 その結果、人命を救うとともに経済損失を減らす自然災害被害評価に自己注意型スキームを使うことが示唆された。
  論文  参考訳（メタデータ） (2021-05-30T13:39:03Z)
• From Static to Dynamic Prediction: Wildfire Risk Assessment Based on Multiple Environmental Factors [69.9674326582747]
  ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。 カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
  論文  参考訳（メタデータ） (2021-03-14T17:56:17Z)

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。