Kan kombinera djupinlärning (DL) – ett underområde av artificiell intelligens – med social nätverksanalys (SNA), göra bidrag på sociala medier om extrema väderhändelser till ett användbart verktyg för krishanterare, första responders och statliga forskare? Ett tvärvetenskapligt team av McGill-forskare har fört dessa verktyg i framkant i ett försök att förstå och hantera extrema väderhändelser.

Forskarna fann att genom att använda en brusreduceringsmekanism, Värdefull information skulle kunna filtreras från sociala medier för att bättre bedöma problemställen och bedöma användarnas reaktioner på extrema väderhändelser. Resultaten av studien publiceras i Journal of Contingencies and Crisis Management.

Att dyka ner i ett hav av information

"Vi minskade bruset genom att ta reda på vem som lyssnades på, och som var auktoritativa källor, " förklarar Renee Sieber, Docent vid McGills institution för geografi och huvudförfattare till denna studie. "Denna förmåga är viktig eftersom det är ganska svårt att bedöma giltigheten av informationen som delas av Twitter-användare."

Teamet baserade sin studie på Twitter-data från översvämningarna i Nebraska i mars 2019 i USA, som orsakade över 1 miljard dollar i skador och omfattande evakueringar av invånare. Totalt, över 1, 200 tweets analyserades och klassificerades.

"Sociala nätverksanalyser kan identifiera var människor får sin information under en extrem väderhändelse. Deep learning tillåter oss att bättre förstå innehållet i denna information genom att klassificera tusentals tweets i fasta kategorier, till exempel, "skada infrastruktur och verktyg" eller "sympati och känslomässigt stöd, '" säger Sieber. Forskarna introducerade sedan en tvåskiktad DL-klassificeringsmodell - en första när det gäller att integrera dessa metoder på ett sätt som kan vara användbart för krishanterare.

Studien lyfte fram några frågor angående användningen av sociala medier analys för detta ändamål, särskilt dess misslyckande att notera att händelser är mycket mer kontextuella än förväntat av märkta datamängder, som CrisisNLP, och avsaknaden av ett universellt språk för att kategorisera termer relaterade till krishantering.

Den preliminära undersökningen som utfördes av forskarna fann också att ett kändissamtal var framträdande – detta var verkligen fallet för översvämningarna i Nebraska 2019, där en tweet från popsångaren Justin Timberlake delades av ett stort antal användare, även om det inte visade sig vara användbart för krishanterare.

"Våra resultat säger oss att informationsinnehållet varierar mellan olika typer av händelser, i motsats till tron ​​att det finns ett universellt språk för att kategorisera krishantering; detta begränsar användningen av märkta datamängder på bara ett fåtal typer av händelser, eftersom söktermer kan ändras från en händelse till en annan."

"Den stora mängd sociala medier som allmänheten bidrar med om väder tyder på att den kan ge viktig information i kriser, som snöstormar, översvämningar, och isstormar. Vi undersöker för närvarande att överföra denna modell till olika typer av väderkriser och åtgärda bristerna i befintliga övervakade tillvägagångssätt genom att kombinera dessa med andra metoder, säger Sieber.

"Att använda djupinlärning och sociala nätverksanalyser för att förstå och hantera extrema översvämningar, " av Renee Sieber et al., publicerades i Journal of Contingencies and Crisis Management .