麦吉尔大学 信用:CC0公共领域 将深度学习(DL)——人工智能的一个分支——与社会网络分析(SNA)相结合，能否使社交媒体对极端天气事件的贡献成为危机管理者、第一反应者和政府科学家的有用工具？一个由麦吉尔研究人员组成的跨学科团队将这些工具带到了前沿，努力理解和管理极端天气事件
研究人员发现，通过使用降噪机制，可以从社交媒体中过滤出有价值的信息，以更好地评估故障点，并评估用户对极端天气事件的反应
这项研究的结果发表在《突发事件和危机管理杂志》上
潜入信息的海洋 麦吉尔大学地理系副教授、这项研究的主要作者蕾妮·西伯解释说:“我们通过找出谁在听，以及哪些是权威来源来降低噪音。”
“这种能力很重要，因为很难评估推特用户分享的信息的有效性
" 该团队的研究基于2019年3月美国内布拉斯加州洪水的推特数据，洪水造成了超过10亿美元的损失和居民的大规模疏散
总共有超过1200条推文被分析和分类
“社交网络分析可以识别人们在极端天气事件中从哪里获得信息
西伯说:“深度学习使我们能够更好地理解这些信息的内容，将成千上万条推文分为固定的类别，例如‘基础设施和公用设施损坏’或‘同情和情感支持’。”
研究人员随后引入了一个两层的数据链分类模型——这是第一个以对危机管理者有用的方式整合这些方法的模型
该研究强调了关于为此目的使用社交媒体分析的一些问题，特别是它没有注意到事件的背景比标记数据集(如危机NLP)预期的要大得多，以及缺乏一种通用语言来对与危机管理相关的术语进行分类
研究人员进行的初步探索还发现，名人呼吁占据了显著位置——2019年内布拉斯加州洪水就是这种情况，流行歌手贾斯汀·汀布莱克(Justin Timberlake)的一条推文被大量用户分享，尽管它没有被证明对危机管理人员有用
“我们的发现告诉我们，不同类型的事件之间的信息内容有所不同，这与危机管理有一种通用的分类语言的观点相反；这限制了标记数据集在少数几类事件上的使用，因为搜索词可能会因事件而异
" “公众贡献的大量关于天气的社交媒体数据表明，它可以在暴风雪、洪水和冰暴等危机中提供重要信息
西伯说:“我们目前正在探索将这一模型应用于不同类型的天气危机，并通过将这些方法与其他方法相结合来解决现有监督方法的缺点。”
“使用深度学习和社交网络分析来理解和管理极端洪水，”蕾妮·西伯等人
发表在《突发事件和危机管理杂志》上
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
