將人工智慧深度學習與社交網路分析(SNA)相結合，能否成為極端天氣事件管理及釋出的有用工具?

近日，麥吉爾大學跨學科的研究團隊在這一領域取得最新進展。研究人員發現，透過使用降噪機制，可以從社交媒體過濾有價值的資訊，從而更好地評估問題點以及評估使用者對極端天氣事件的反應。該研究結果發表在《突發事件與危機管理》雜誌上。

該團隊的研究基於2019年3月美國內布拉斯加州洪水的推特資料，那場洪水造成了超過10億美元的損失和居民的大規模疏散。總共有超過1200條推文被分析和分類。社交網路分析可以確定人們在極端天氣事件中從何處獲得資訊。深度學習可以透過將數千條推文分類為固定類別，讓人們更好地理解這些資訊的內容。研究人員隨後還引入了一個雙層深度學習分類模型，這是首次將這些方法整合起來，對危機管理者產生作用。

該研究強調了一些關於使用社交媒體分析的問題，值得注意的是，特別是它沒有注意到事件的背景遠遠超出了CrisisNLP等標記資料集的預期，缺乏一種通用語言來對危機管理相關術語進行分類。

研究人員的初步探索還發現“名人效應”顯著。例如：流行歌手賈斯汀•汀布萊克的一條微博被大量使用者分享, 但事實證明，這條推特對危機管理者沒有用處。研究結果告訴我們，不同型別的事件所包含的資訊是不同的，這與人們認為有統一語言來對危機管理進行分類的想法相反。這就限制了研究人員僅能在少數事件型別上使用標記資料集，因為搜尋詞可能會隨著事件的不同而發生變化。

公眾提供的大量有關天氣的社交媒體資料表明，它可以在暴風雪、洪水和冰暴等危機中提供關鍵資訊。研究人員目前正在探索將這一模型應用於不同型別的天氣危機，並透過將這些方法與其他方法相結合來解決現有監督方法的缺點。