論文の概要: Social Media Data Mining of Human Behaviour during Bushfire Evacuation

• arxiv url: http://arxiv.org/abs/2512.01262v1
• Date: Mon, 01 Dec 2025 04:13:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.681491
• Title: Social Media Data Mining of Human Behaviour during Bushfire Evacuation
• Title（参考訳）: ブッシュファイア避難時の人的行動のソーシャルメディアデータマイニング
• Authors: Junfeng Wu, Xiangmin Zhou, Erica Kuligowski, Dhirendra Singh, Enrico Ronchi, Max Kinateder,
• Abstract要約: ソーシャルメディアのデータには、散在、不完全、非公式など、多くの制限がある。 将来の応用には、避難モデルの校正と検証、緊急通信、個人化された避難訓練、避難準備のための資源割り当てが含まれる。 データ品質、バイアスと代表性、位置情報の精度、文脈理解、危機固有の語彙と意味論、マルチモーダルデータ解釈といったオープンな問題を特定します。
• 参考スコア（独自算出の注目度）: 6.229243387502805
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Traditional data sources on bushfire evacuation behaviour, such as quantitative surveys and manual observations have severe limitations. Mining social media data related to bushfire evacuations promises to close this gap by allowing the collection and processing of a large amount of behavioural data, which are low-cost, accurate, possibly including location information and rich contextual information. However, social media data have many limitations, such as being scattered, incomplete, informal, etc. Together, these limitations represent several challenges to their usefulness to better understand bushfire evacuation. To overcome these challenges and provide guidance on which and how social media data can be used, this scoping review of the literature reports on recent advances in relevant data mining techniques. In addition, future applications and open problems are discussed. We envision future applications such as evacuation model calibration and validation, emergency communication, personalised evacuation training, and resource allocation for evacuation preparedness. We identify open problems such as data quality, bias and representativeness, geolocation accuracy, contextual understanding, crisis-specific lexicon and semantics, and multimodal data interpretation.
• Abstract（参考訳）: 定量的調査や手動観測など、これまでの森林火災避難行動に関するデータソースには、厳しい制限がある。 ブッシュファイア避難に関連するソーシャルメディアデータをマイニングすることは、大量の行動データの収集と処理を可能にすることで、このギャップを埋めることを約束する。 しかし、ソーシャルメディアのデータには、散在、不完全、非公式など、多くの制限がある。 これらの制限は、茂みの避難をよりよく理解するための有用性に対するいくつかの課題を表している。 これらの課題を克服し、ソーシャルメディアデータの活用方法についてのガイダンスを提供するため、関連データマイニング技術の最近の進歩に関する文献報告をスクープする。 また,今後の応用と課題についても論じる。 本稿では,避難モデル校正・検証,緊急通信,個人化された避難訓練,避難準備のための資源配分などの今後の応用を想定する。 データ品質、バイアスと代表性、位置情報の精度、文脈理解、危機固有の語彙と意味論、マルチモーダルデータ解釈といったオープンな問題を特定します。

関連論文リスト

• A social context-aware graph-based multimodal attentive learning framework for disaster content classification during emergencies: a benchmark dataset and method [4.757418935621701]
  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)
• Enhancing Trustworthiness and Minimising Bias Issues in Leveraging Social Media Data for Disaster Management Response [0.1499944454332829]
  リアルタイムデータを活用することは、データの不確実性に大きく対処し、災害対応努力を強化することができる。 ソーシャルメディアは、災害前後のソーシャルメディアの利用が盛んに行われているため、リアルタイムデータの効果的な源泉として現れている。 また、これらのデータの信頼性とバイアスに関する課題も生み出します。 信頼性を高めバイアスを最小化するために使用できる要因を調査し、特定することを目的としている。
  論文  参考訳（メタデータ） (2024-08-15T10:59:20Z)
• 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)
• 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)
• 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)
• Extracting Large Scale Spatio-Temporal Descriptions from Social Media [1.14219428942199]
  大規模イベントの追跡能力は、それらを理解し、適切なタイムリーな方法で反応を調整するために不可欠である。 我々は、ソーシャルメディアのような半構造化データソースを取り込み、このようなデータを拡張できるという仮説を模索している。 ソーシャルメディアは、直接の目撃者や専門家の意見などの貴重な知識を拡散しうるが、その騒々しい性質は、それらを管理しやすくするものではない。
  論文  参考訳（メタデータ） (2022-06-27T13:16:43Z)
• 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)
• Improving Community Resiliency and Emergency Response With Artificial Intelligence [0.05541644538483946]
  我々は、ステークホルダーが包括的で関連性があり、信頼できる情報にタイムリーにアクセスできるようにする、多段階の緊急対応ツールを目指しています。 本ツールは, 浸水リスク位置, 道路ネットワーク強度, 浸水マップ, 浸水地や被害インフラを推定するコンピュータビジョンセマンティックセマンティックセマンティックセグメンテーションなど, オープンソースの地理空間データの複数の層を符号化して構成する。 これらのデータレイヤを組み合わせて、緊急時の避難経路の検索や、最初に影響を受けたエリアで最初の応答者のために利用可能な宿泊場所のリストを提供するなど、機械学習アルゴリズムの入力データとして利用する。
  論文  参考訳（メタデータ） (2020-05-28T18:05:08Z)

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。