信号洪流：基于多源数据融合的人工智能灾害分析
计算与语言
2025-05-26 v1 社会与信息网络
摘要
大规模且多样化的网络数据日益重要，用于政府灾害响应，2022年新南威尔士州（NSW）澳大利亚洪水即为一例。本研究考察了X（前Twitter）和公共查询提交的内容如何为危机期间的公共行为提供见解。我们分析了超过55,000条与洪水相关的推文和1,450份查询提交记录，以识别极端天气事件中的行为模式。虽然社交媒体帖子简短且碎片化，但查询提交内容为详细的多页文档，提供了结构化见解。我们的 метод论将潜在 Dirichlet 分配（LDA）用于主题建模，结合大语言模型（LLM）以增强语义理解。LDA揭示了 distinct 的意见和地理模式，而 LLM通过将公众提交内容作为参考来识别与洪水相关的推文，从而提高过滤效果。该 Relevance Index 方法减少噪声并优先处理可操作内容，提高了紧急响应人员的情境意识。通过组合这些互补数据流，我们的方法引入了一种新颖的人工智能驱动方法，以细化与灾害相关的社交媒体内容、改进实时灾害响应，并为长期韧性规划提供信息。
引用
@article{arxiv.2505.17038,
title = {Signals from the Floods: AI-Driven Disaster Analysis through Multi-Source Data Fusion},
author = {Xian Gong and Paul X. McCarthy and Lin Tian and Marian-Andrei Rizoiu},
journal= {arXiv preprint arXiv:2505.17038},
year = {2025}
}