Brug af kunstig intelligens til at håndtere ekstreme vejrhændelser

Kan kombinere deep learning (DL) - et underområde af kunstig intelligens - med social network analyse (SNA), gøre bidrag på sociale medier om ekstreme vejrhændelser til et nyttigt værktøj for kriseledere, førstehjælpere og regeringsforskere? Et tværfagligt team af McGill-forskere har bragt disse værktøjer på forkant i et forsøg på at forstå og håndtere ekstreme vejrhændelser.

Forskerne fandt ud af, at ved at bruge en støjreduktionsmekanisme, Værdifuld information kunne filtreres fra sociale medier for bedre at kunne vurdere fejlpunkter og vurdere brugernes reaktioner i forhold til ekstreme vejrbegivenheder. Resultaterne af undersøgelsen er offentliggjort i Journal of Contingencies and Crisis Management.

Dykker ned i et hav af information

"Vi reducerede støjen ved at finde ud af, hvem der blev lyttet til, og som var autoritative kilder, " forklarer Renee Sieber, Lektor i McGill's Department of Geography og hovedforfatter af denne undersøgelse. "Denne evne er vigtig, fordi det er ret vanskeligt at vurdere gyldigheden af ​​de oplysninger, der deles af Twitter-brugere."

Holdet baserede deres undersøgelse på Twitter-data fra Nebraska-oversvømmelserne i marts 2019 i USA, som forårsagede over 1 milliard dollars i skader og omfattende evakueringer af beboere. I alt, over 1, 200 tweets blev analyseret og klassificeret.

"Analyse af sociale netværk kan identificere, hvor folk får deres information under en ekstrem vejrbegivenhed. Dyb læring giver os mulighed for bedre at forstå indholdet af denne information ved at klassificere tusindvis af tweets i faste kategorier, for eksempel, "skade på infrastruktur og forsyninger" eller "sympati og følelsesmæssig støtte, '" siger Sieber. Forskerne introducerede derefter en to-trins DL-klassifikationsmodel - den første med hensyn til at integrere disse metoder på en måde, der kunne være nyttig for kriseledere.

Undersøgelsen fremhævede nogle spørgsmål vedrørende brugen af ​​sociale medier analyse til dette formål, især dens manglende bemærkelse af, at begivenheder er langt mere kontekstuelle end forventet af mærkede datasæt, såsom CrisisNLP, og manglen på et universelt sprog til at kategorisere termer relateret til krisestyring.

Den foreløbige udforskning udført af forskerne fandt også ud af, at et berømthedsopkald var fremtrædende - dette var faktisk tilfældet for Nebraska-oversvømmelserne i 2019, hvor et tweet fra popsangeren Justin Timberlake blev delt af et stort antal brugere, selvom det ikke viste sig at være brugbart for kriseledere.

"Vores resultater fortæller os, at informationsindholdet varierer mellem forskellige typer begivenheder, i modsætning til troen på, at der er et universelt sprog til at kategorisere krisehåndtering; dette begrænser brugen af ​​mærkede datasæt på nogle få typer begivenheder, da søgetermer kan ændre sig fra en begivenhed til en anden."

"Den store mængde sociale mediedata, offentligheden bidrager med om vejret, tyder på, at det kan give kritisk information i kriser, såsom snestorme, oversvømmelser, og isstorme. Vi undersøger i øjeblikket at overføre denne model til forskellige typer vejrkriser og afhjælpe manglerne ved eksisterende overvågede tilgange ved at kombinere disse med andre metoder, siger Sieber.

"Brug af dyb læring og sociale netværksanalyser til at forstå og håndtere ekstreme oversvømmelser, " af Renee Sieber et al., blev offentliggjort i Journal of Contingencies and Crisis Management .