利用众包数据和大语言模型进行近实时地震致死率估计

当破坏性地震发生时，关于人员伤亡的即时信息对于应急响应和救援机构在最初几小时和几天内进行时间敏感的决策至关重要。美国地质调查局（USGS）的全球地震即时评估响应系统（PAGER）等系统被开发用于在全球任何重大地震发生后约 30 分钟内提供预测。传统的灾难人类损失估计系统通常依赖于从全球媒体手动收集的早期伤亡报告，这一过程劳动强度大、速度慢且具有明显的时间延迟。最近，一些系统采用关键词匹配和主题建模从社交媒体中提取相关信息。然而，这些方法在处理多语言文本中的复杂语义方面存在困难，也难以解释社交媒体平台上各种未经证实的来源中不断变化且经常相互矛盾的伤亡数字报告。在这项工作中，我们引入了一个端到端框架，利用多语言众包社交媒体显著提高全球地震导致人类损失预测的及时性和准确性。我们的框架集成了：(1) 基于大语言模型、提示设计和少样本学习构建的分层伤亡提取模型，用于从社交媒体中检索定量的人类损失声明；(2) 物理约束感知的动态真值发现模型，用于从海量嘈杂且潜在冲突的人类损失声明中发现真实的人类损失；(3) 贝叶斯更新损失预测模型，利用发现的真值动态更新最终的损失估计。我们在 2021 年和 2022 年的一系列全球地震事件上实时测试了该框架，结果表明我们的框架简化了伤亡数据检索流程，实现了与 USGS 人工方法相当的速度和准确性。