Può combinare il deep learning (DL), un sottocampo dell'intelligenza artificiale, con l'analisi dei social network (SNA), rendere i contributi dei social media sugli eventi meteorologici estremi uno strumento utile per i gestori delle crisi, primi soccorritori e scienziati del governo? Un team interdisciplinare di ricercatori McGill ha portato questi strumenti in primo piano nel tentativo di comprendere e gestire gli eventi meteorologici estremi.

I ricercatori hanno scoperto che utilizzando un meccanismo di riduzione del rumore, informazioni preziose potrebbero essere filtrate dai social media per valutare meglio i punti problematici e valutare le reazioni degli utenti di fronte a eventi meteorologici estremi. I risultati dello studio sono pubblicati sul Journal of Contingencies and Crisis Management.

Un tuffo in un mare di informazioni

"Abbiamo ridotto il rumore scoprendo chi veniva ascoltato, e che erano fonti autorevoli, " spiega Renée Sieber, Professore Associato presso il Dipartimento di Geografia della McGill e autore principale di questo studio. "Questa capacità è importante perché è abbastanza difficile valutare la validità delle informazioni condivise dagli utenti di Twitter".

Il team ha basato il proprio studio sui dati di Twitter delle inondazioni del Nebraska del marzo 2019 negli Stati Uniti, che ha causato oltre $ 1 miliardo di danni e diffuse evacuazioni dei residenti. In totale, oltre 1, Sono stati analizzati e classificati 200 tweet.

"L'analisi dei social network può identificare dove le persone ottengono le loro informazioni durante un evento meteorologico estremo. Il deep learning ci consente di comprendere meglio il contenuto di queste informazioni classificando migliaia di tweet in categorie fisse, Per esempio, "danni alle infrastrutture e ai servizi pubblici" o "simpatia e supporto emotivo, '", afferma Sieber. I ricercatori hanno quindi introdotto un modello di classificazione DL a due livelli, il primo in termini di integrazione di questi metodi in un modo che potrebbe essere utile ai gestori delle crisi.

Lo studio ha evidenziato alcune problematiche relative all'utilizzo dell'analisi dei social media a questo scopo, in particolare la sua incapacità di notare che gli eventi sono molto più contestuali di quanto previsto dai set di dati etichettati, come CrisiPNL, e la mancanza di un linguaggio universale per classificare i termini relativi alla gestione delle crisi.

L'esplorazione preliminare eseguita dai ricercatori ha anche scoperto che un richiamo di celebrità era in primo piano:questo è stato davvero il caso delle inondazioni del Nebraska del 2019, dove un tweet del cantante pop Justin Timberlake è stato condiviso da un gran numero di utenti, anche se non si è rivelato utile per i gestori di crisi.

"I nostri risultati ci dicono che il contenuto delle informazioni varia tra i diversi tipi di eventi, contrariamente alla convinzione che esista un linguaggio universale per classificare la gestione delle crisi; questo limita l'uso di set di dati etichettati solo su alcuni tipi di eventi, poiché i termini di ricerca possono cambiare da un evento all'altro."

"La grande quantità di dati sui social media che il pubblico fornisce sul tempo suggerisce che può fornire informazioni critiche in caso di crisi, come tempeste di neve, inondazioni, e tempeste di ghiaccio. Stiamo attualmente esplorando il trasferimento di questo modello a diversi tipi di crisi meteorologiche e affrontando le carenze degli approcci supervisionati esistenti combinandoli con altri metodi, "dice Siber.

"Utilizzare il deep learning e l'analisi dei social network per comprendere e gestire le inondazioni estreme, " di Renee Sieber et al., è stato pubblicato in Giornale di contingenze e gestione delle crisi .