論文の概要: Assessing socio-economic climate impacts from text data

• arxiv url: http://arxiv.org/abs/2605.20793v1
• Date: Wed, 20 May 2026 06:40:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.530914
• Title: Assessing socio-economic climate impacts from text data
• Title（参考訳）: テキストデータによる社会・経済の気候影響評価
• Authors: Mariana Madruga de Brito, Brielen Madureira, Taís Maria Nunes Carvalho, Damien Delforge, Aglaé Jézéquel, Murathan Kurfalı, Ni Li, Gabriele Messori, Joakim Nivre, Barbara Pernici, Niko Speybroeck, Stefano Terzi, Wim Thiery, Bram Valkenborg, Jingxian Wang, Shorouq Zahra, Jakob Zscheischler, Jan Sodoge,
• Abstract要約: 近年の自然言語処理の進歩により、大規模テキストデータによる影響評価の体系的利用が可能となった。 影響を構成するものを定義し、時間的および空間的バイアスを扱い、適切なモデリングと後処理戦略を選択するための明確なガイドラインはない。 本稿では、社会経済的影響データを分析するためのテキスト・アズ・データ・メソッドの使用に特有な課題について述べ、それに対応するための推奨事項を提案する。
• 参考スコア（独自算出の注目度）: 7.13142572545878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in natural language processing (NLP) and large language models (LLMs) have enabled the systematic use of large-scale textual data from news, social media, and reports to create datasets with socio-economic impacts of climate hazards such as floods, droughts, storms, and multi-hazard events. As the field of text-as-data for impact assessment expands, so does its methodological complexity. Yet research remains fragmented, with no clear guidelines for defining what constitutes an impact, handling temporal and spatial biases, and selecting appropriate modeling and post-processing strategies. This lack of coherence limits transparency and comparability across studies. Here, we address this gap by synthesising common practices, describing key challenges specific to the use of text-as-data methods for analyzing socio-economic impact data, and proposing recommendations to address them. By providing guidance on best practices, we aim to support the construction of robust text-derived socio-economic impact datasets that can more accurately inform disaster risk management and attribution studies.
• Abstract（参考訳）: 自然言語処理(NLP)や大規模言語モデル(LLM)の最近の進歩により、ニュース、ソーシャルメディア、レポートから大規模なテキストデータを体系的に利用し、洪水、干ばつ、嵐、多危険事象などの社会経済的影響のデータセットを作成することが可能になった。 影響評価のためのテキスト・アズ・データ分野が拡大するにつれて、その方法論的複雑さも増大する。 しかし、研究は断片化され続けており、影響を構成するものを定義し、時間的および空間的バイアスを扱い、適切なモデリングと後処理戦略を選択するための明確なガイドラインは存在しない。 この一貫性の欠如は、研究間の透明性と互換性を制限している。 ここでは、共通プラクティスの合成、社会経済的影響データを分析するためのテキスト・アズ・データ・メソッドの使用に関する重要な課題、それに対処するためのレコメンデーションを提案することで、このギャップに対処する。 ベストプラクティスに関するガイダンスを提供することにより,災害リスク管理や帰属研究をより正確に情報提供できる,堅牢なテキスト由来の社会経済的影響データセットの構築を支援することを目的とする。

関連論文リスト

• Do-PFN: In-Context Learning for Causal Effect Estimation [75.62771416172109]
  予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。 提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
  論文  参考訳（メタデータ） (2025-06-06T12:43:57Z)
• Data Taxonomy Towards the Applicability of the Digital Twin Conceptual Framework in Disaster Management [0.562479170374811]
  Digital Twin (DT)は、重要なインフラの管理に新しいアプローチを提供する。 これらのインフラの複雑さと相互接続性の増加は、ロバストな災害対応と管理戦略の開発を必要とする。 本研究では,その特徴や脆弱性を危機事象と比較するための分類機能と類似性機能を紹介する。
  論文  参考訳（メタデータ） (2025-02-27T21:08:03Z)
• Estimating Causal Effects of Text Interventions Leveraging LLMs [7.2937547395453315]
  CausalDANNは、大規模言語モデル(LLM)によって促進されるテキスト変換を用いて因果効果を推定する新しいアプローチである。 既存の手法とは異なり、本手法は任意のテキスト介入に対応し、ドメイン適応能力を持つテキストレベル分類器を用いて、ドメインシフトに対するロバストな効果推定を生成する。 この多様なテキスト介入を扱う柔軟性は、テキストデータの因果推定において重要な進歩であり、人間の振る舞いをよりよく理解し、社会システム内で効果的な介入を開発する機会を提供する。
  論文  参考訳（メタデータ） (2024-10-28T19:19:35Z)
• Enhancing Data Quality through Simple De-duplication: Navigating Responsible Computational Social Science Research [31.993279516471283]
  我々は,計算社会科学のNLPで広く使われている20のデータセットについて,詳細な調査を行う。 分析の結果、ソーシャルメディアのデータセットは様々なレベルのデータ重複を示すことが明らかとなった。 以上の結果から,データ重複が現状の最先端性能の主張に影響を及ぼすことが示唆された。
  論文  参考訳（メタデータ） (2024-10-04T15:58:15Z)
• 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)
• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)
• Best Practices and Lessons Learned on Synthetic Data [83.63271573197026]
  AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。 合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
  論文  参考訳（メタデータ） (2024-04-11T06:34:17Z)
• Eliciting the Double-edged Impact of Digitalisation: a Case Study in Rural Areas [1.8707139489039097]
  本稿では, 遠隔地におけるデジタル化の影響を, 通常の土地管理システムと水文地質リスク管理システムの観点から考察する。 我々は,接続の過剰,意思決定能力の部分的削減,利害関係者の限界化リスクなどにより,より高いストレスが強調される。 本研究は, 事例に特有の影響の集合を類似の文脈に適用し得ること, 影響誘発に対する効果的なアプローチ, 経験から学んだ教訓の一覧に寄与する。
  論文  参考訳（メタデータ） (2023-06-08T10:01:35Z)

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。