Identifying and Investigating Global News Coverage of Critical Events Such as Disasters and Terrorist Attacks
本研究提出无需训练数据的事件指纹-文章匹配方法FAME,可高效识别多语言新闻中的重大事件报道,达到当前最优性能,并基于该方法分析了2020年470起灾害与恐袭事件的报道规律,公开了相关数据。
2025-06-15 cs.AI cs.CL cs.IR
Applications of Online Deep Learning for Crisis Response Using Social Media Information
Qatar Computing Research Institute, HBKU(哈马德·本·哈利法大学卡塔尔计算研究所)
在自然或人为灾害期间,人道主义应急组织寻找有用的信息,以支持其决策过程。推特等社交媒体平台被视为灾害应对和管理的重要有用信息来源。尽管自然语言处理技术取得了进步,但处理简短和非正式的Twitter消息仍然是一项具有挑战性的任务。在本文中,我们建议使用深度神经网络(DNN)来解决响应组织的两种类型的信息需求:1)识别信息丰富的推文,2)将其分类为主题类。DNN使用单词的分布式表示,并自动学习表示以及更高级别的特征以用于分类任务。我们提出了一种新的在线算法的基础上,随机梯度下降训练DNN在灾害情况下的在线方式。我们使用与危机相关的真实Twitter数据集来测试我们的模型。
2016-10-05 cs.CL cs.CY cs.LG
Event-Related Bias Removal for Real-time Disaster Events
Language Technologies Institute(语言技术研究所);Carnegie Mellon University(卡内基梅隆大学)
社交媒体已成为分享自然灾害和大规模袭击等危机事件信息的重要工具。检测包含有用信息的可操作帖子需要对大量数据进行实时的【形】快速分析。由于大量的帖子不包含任何可操作的信息,这造成了一个复杂的问题。此外,在实时的【形】系统中对信息进行分类需要对域外数据进行训练,因为我们没有来自新出现的危机的任何数据。之前的工作主要集中在类似事件类型的预训练模型上。然而,这些模型捕获了不必要的事件特定偏差,例如事件的位置,这会影响分类器对来自新出现的新事件的新的未知数据的概括性和性能。在我们的工作中,我们训练一个对抗性神经模型,以消除潜在的事件特定的偏见,并提高推文重要性分类的性能。
2020-11-02 cs.AI cs.CL
Few-shot tweet detection in emerging disaster events
German Aerospace Center (DLR)(德国航空航天中心(DLR))
社交媒体来源可以在危机情况下提供关键信息,但发现相关信息并不是小事。到目前为止,方法的重点是所有类型危机或某些危机类型(如洪水)的通用检测模型。特定事件模型可以实现更集中的搜索区域,但为已经发生的危机收集数据和训练新模型的成本很高,而且可能需要太多时间才能迅速做出反应。作为折衷方案,手动收集少量示例消息是可行的。Few-Shot模型可以用少量的例子推广到看不见的类,并且不需要为每个事件重新训练。我们比较了Few-Shot方法(匹配网络和原型网络)如何执行此任务。由于这基本上是一个一类的问题,我们还演示了如何修改的一类版本的原型模型可以用于此应用程序。
2019-10-05 cs.CL cs.CY cs.LG
Tense, aspect and mood based event extraction for situation analysis and crisis management
Middle East Technical University(中东科技大学);Graduate School of Informatics(信息学研究生院)
现在的事件抽取系统主要处理相对少量的关于情景的时间和模态限定的信息,主要处理过去时态的断言句。然而,具有更广泛的时态、体和语气覆盖范围的系统可以提供更好的分析,并且可以用于更广泛的文本分析应用。本论文针对土耳其语开发了一个这样的系统。这是通过扩展开放源代码信息挖掘和分析(OPTIMA)研究小组的事件提取软件,通过实现适当的扩展的语义表示格式,通过添加一个部分语法,提高TAM(时态,方面和语气)标记,副词分析和匹配功能的Express,并通过构建一个适当的词典在CORLEONE的标准。这些扩展基于IV锚定关系理论(Temürcü,2007,2011),这是一个跨语言适用的语义框架,用于分析时态,体和语气相关类别。其结果是一个系统,它可以,除了提取基本的事件结构,分类的句子在新闻报道中,根据其时间,模态和意志/言外之言的价值。虽然重点是土耳其语的自然灾害、疾病爆发和人为灾害的新闻报道,但这种方法可以适用于其他语言、领域和体裁。这一事件提取和分类系统经过进一步发展,可以为自动浏览系统提供基础,以防止环境和人道主义风险。
2020-08-01 cs.CL
Bridging the gap between supervised classification and unsupervised topic modelling for social-media assisted crisis management
McGill University(麦吉尔大学)
在自然灾害期间,Twitter等社交媒体为危机管理人员和受灾群众提供了宝贵的信息。机器学习可以帮助从危机期间共享的大量信息中构建和提取信息;然而,危机不断演变的性质使得有效的领域自适应至关重要。监督分类受到不可改变的类别标签的限制,这些类别标签可能与新事件无关,而无监督主题建模则受到先验知识不足的限制。在本文中,我们弥合了两者之间的差距,并表明,BERT嵌入微调危机相关的推文分类可以有效地用于适应新的危机,发现新的主题,同时保留相关类监督训练,并利用双向自我注意提取主题关键字。我们创建了一个数据集的推文从暴风雪来评估我们的方法的可转移性,以新的危机,并发现它优于传统的主题模型,在自动和人类的评估接地危机管理人员的需求。更广泛地说,我们的方法可以用于文本领域自适应的潜在类是未知的,但与其他领域的已知类重叠。
2021-03-22 cs.CL
Rapid Classification of Crisis-Related Data on Social Networks using Convolutional Neural Networks
Qatar Computing Research Institute – HBKU(卡塔尔计算研究所 – 哈马德·本·哈利法大学)
社会媒体,特别是推特等微博平台,作为灾害期间提供可采取行动的战术信息的渠道,其作用日益得到承认。然而,对社交媒体流上的大危机数据进行时间关键型分析给机器学习技术带来了挑战,特别是使用监督学习的技术。标记数据的稀缺性,特别是在危机发生的早期,延迟了机器学习过程。目前最先进的分类方法需要大量特定于特定事件的标记数据进行训练,再加上大量的特征工程来实现最佳结果。在这项工作中,我们介绍了基于神经网络的分类方法的二进制和多类推文分类任务。我们表明,神经网络为基础的模型不需要任何功能工程和性能优于国家的最先进的方法。在灾难发生的早期,当没有标记数据可用时,我们提出的方法充分利用了事件外数据,并取得了良好的效果。
2016-08-12 cs.CL cs.LG cs.SI
A system for the 2019 Sentiment, Emotion and Cognitive State Task of DARPAs LORELEI project
University of Southern California(南加利福尼亚大学)
在世界任何地方都可能发生的人道主义援助-救灾危机期间,需要帮助的人往往会在网上发布实时信息,而这些信息反过来又可供参与危机管理的不同利益攸关方使用。自动处理这些帖子可以大大提高这些努力的效力;例如,了解特定地区受影响人口的总体情绪可能有助于决策者了解如何最好地分配资源,以有效应对灾害。然而,这些努力可能会受到当地语言资源的严重限制。DARPA正在进行的紧急事件低资源语言项目(LORELEI)旨在进一步发展低资源语言在人道主义危机背景下的语言处理技术。在这项工作中,我们描述了我们提交的2019年LORELEI项目的情绪,情感和认知状态(SEC)试点任务。我们描述了一系列的情感分析系统,包括在我们的提交以及提取的功能。我们的现场系统在SEC试点任务的英语和西班牙语评估中获得了最佳结果。
2019-05-01 cs.CL
Multi-Query Focused Disaster Summarization via Instruction-Based Prompting
Technische Hochschule Nürnberg Georg Simon Ohm(纽伦堡乔治·西蒙·欧姆应用技术大学)
本文提出结合BM25和MonoT5两阶段检索、重排序及基于LLaMA-13b的问答驱动提示摘要方法,解决CrisisFACTS多流灾难事件关键事实提取任务,评估显示效果良好但开源与专有系统仍有差距。
2024-02-14 cs.CL
LLM-guided Semi-Supervised Approaches for Social Media Crisis Data Classification
Independent Researcher(独立研究者)
本文研究了大语言模型引导的半监督学习在社交媒体危机数据分类中的应用,比较了VerifyMatch和LLM引导的协同训练方法,发现LLM引导的协同训练在低资源环境下表现优异,同时验证了知识迁移的可行性。
2026-05-08 cs.AI cs.CL
Verifiable Disaster Storylines and Causal Knowledge Graphs: A Citation-Grounded Pipeline from Heterogeneous Humanitarian Sources
ISI Foundation(ISI基金会);European Commission, Joint Research Centre (JRC)(欧盟委员会联合研究中心);UNICEF(联合国儿童基金会)
该研究提出结合EM-DAT等异构数据源的检索增强生成流程,生成可溯源的灾难故事情节与因果知识图谱,经评估其检索精度高、因果关系忠实,获专家偏好,拟扩展至全EM-DAT目录并公开叙事增强版本。
2026-09-15 cs.AI cs.CL
Evaluating Robustness of LLMs on Crisis-Related Microblogs across Events, Information Types, and Linguistic Features
Qatar Computing Research Institute(卡塔尔计算研究所);Hamad Bin Khalifa University(哈马德·本·哈利法大学);OpenAI
本研究评估六个大型语言模型在灾害相关微博上的鲁棒性,发现GPT-4o和GPT-4泛化最佳,但多数模型处理洪水数据困难,对拼写错误敏感,且专有模型全面优于开源模型。
2024-12-08 cs.AI cs.CL cs.SI
Zero-Shot Classification of Crisis Tweets Using Instruction-Finetuned Large Language Models
Computer Science Department Georgia State University(计算机科学系乔治亚州立大学);Disaster Relief Systems MIT Lincoln Laboratory(灾难救援系统麻省理工学院林肯实验室)
本文评估GPT-4o、Gemini和Claude在CrisisBench危机推文上的零样本双任务分类能力,发现提示信息对不同任务效果不同且性能随数据集显著变化。
2024-09-30 cs.AI cs.CL
Signals from the Floods: AI-Driven Disaster Analysis through Multi-Source Data Fusion
University of Technology Sydney(新南威尔士大学)
本研究融合X推文与公众调查提交材料,利用LDA主题建模和大型语言模型提升洪水灾害分析,提出相关性指数方法减少噪声,增强应急响应与长期规划。
2025-05-10 cs.CL cs.SI
Critical Impact of Social Networks Infodemic on Defeating Coronavirus COVID-19 Pandemic: Twitter-Based Study and Research Directions
Lebanese American University(黎巴嫩美国大学)
自社交媒体出现以来,新闻创作和消费一直在发生变化。据估计,2019年全球有29.5亿人使用社交媒体。新型冠状病毒COVID-19的广泛传播导致社交媒体海啸。大多数平台都被用来向人们传递相关的新闻、指南和注意事项。据世卫组织称,不受控制的阴谋论和宣传传播速度比COVID-19大流行本身更快,造成信息流行病,从而造成心理恐慌,误导医疗建议和经济破坏。因此,已经启动了讨论,目的是缓和所有COVID-19传播,但世卫组织和授权政府实体等可信来源发起的传播除外。本文提出了一个大规模的研究的基础上挖掘的数据从Twitter。我们已对两个月内收集的约一百万条COVID-19相关推文进行了广泛分析。此外,还分析了288,000名用户的个人资料,包括独特的用户个人资料,元数据和推文上下文。该研究指出了各种有趣的结论,包括(1)利用COVID-19危机将读者重新引导到无关的主题以及(2)广泛的不真实医疗预防措施和信息的关键影响。进一步的数据分析揭示了在全球流行病危机中使用社交网络的重要性,即依靠不同职业的可信用户、内容开发者和特定领域的影响者。在这方面,一些见解和调查结果,同时阐述了计算和非计算的影响和研究方向的潜在解决方案和社交网络管理战略在危机时期。
2020-05-18 cs.CL cs.SI
Towards cross-lingual alerting for bursty epidemic events
National Institute of Informatics(情报学研究所)
背景:在线新闻报道正日益成为基于事件的预警系统的一个来源,这些系统用于检测自然灾害。由于报道复杂时空事件的模式,利用多语种新闻专线提供的大量信息带来了与机遇一样多的挑战。结果:在这篇文章中,我们研究了跨语言使用相关事件报告的问题。我们使用5个时间畸变检测算法对根据疾病和爆发国家分类的文本挖掘事件进行跟踪16种疾病爆发的演变。使用ProMED报告作为银标准,在129天的试验期内对13种语言的新闻数据进行了比较分析,结果显示,使用跨语言事件的大多数模型的灵敏度、F1和及时性都有所提高。我们报告了2010年安哥拉霍乱的详细案例研究分析,突出了将新闻事件与银本位相关联所面临的挑战。结论:结果表明,使用多语言文本挖掘的自动健康监测有可能把低价值的新闻变成高价值的警报,如果知情的选择是用来管理模型和数据源的选择。BioCaster门户网站http://born.nii.ac.jp/?上提供了使用多语言新闻的C2警报算法的实现page=globalroundup.
2011-10-13 cs.CL cs.IR cs.SI