基于BERT方法的阿富汗武装冲突文本数据致死性分类分析
机器学习
2023-10-16 v1 人工智能
摘要
阿富汗在历史上，尤其是过去20年中，经历了许多武装冲突；这些事件对包括军人和平民在内的人类生命产生了重大影响，并可能造成人员死亡。在本研究中，我们旨在利用最先进的机器学习技术，根据武装冲突地点与事件数据项目（ACLED）数据集提供的文本描述，将阿富汗武装冲突的结果分类为致死性或非致死性。该数据集包含2021年8月至2023年3月期间发生在阿富汗的武装冲突的全面描述。所提出的方法利用了BERT（Bidirectional Encoder Representations from Transformers，基于Transformer的双向编码器表示），这是一种自然语言处理领域前沿的语言表示模型。该分类器利用事件的原始文本描述来估计事件导致死亡的可能性。该模型在测试集上取得了令人印象深刻的性能，准确率为98.8%，召回率为98.05%，精确率为99.6%，F1分数为98.82%。这些结果凸显了模型的鲁棒性，并表明其在阿富汗的资源分配、政策制定和人道主义援助等各个领域具有潜在影响。该模型表明了一种基于机器学习、使用ACLED数据集准确分类阿富汗武装冲突致死性的文本分类方法，借助BERT模型实现了鲁棒性能，并为未来预测阿富汗事件严重程度的努力铺平了道路。
引用
@article{arxiv.2310.08653,
title = {Analyzing Textual Data for Fatality Classification in Afghanistan's Armed Conflicts: A BERT Approach},
author = {Hikmatullah Mohammadi and Ziaullah Momand and Parwin Habibi and Nazifa Ramaki and Bibi Storay Fazli and Sayed Zobair Rohany and Iqbal Samsoor},
journal= {arXiv preprint arXiv:2310.08653},
year = {2023}
}
备注
6 pages, 4 figures, 2 tables