信贷： CC0公共领域

深度学习(DL)是人工智能与社会网络分析(SNA)的一个子领域，它能否使社交媒体对极端天气事件的贡献成为危机管理人员、第一反应者和政府科学家的有用工具？一个由McGill研究人员组成的跨学科小组将这些工具放在最重要的位置，以努力了解和管理极端天气事件。

研究人员发现，通过使用噪音减少机制，可以从社交媒体过滤宝贵的信息，以便更好地评估麻烦地点，评估用户对极端天气事件的反应。研究结果发表在《应急和危机管理杂志》上。

沉入信息海洋

麦吉尔地理系副教授、这项研究的主要作者雷妮•西贝尔(Renee Sieber)解释称： “我们通过发现谁在被倾听，哪些是权威信息来源，减少了噪音。 ”“这种能力很重要，因为很难评估Twitter用户共享信息的有效性。 ”

该研究团队的研究依据的是2019年3月美国内布拉斯加洪水的Twitter数据。此次洪水造成了逾10亿美元的损失，并导致大量居民疏散。总共对1 200多条推文进行了分析和分类。

"社会网络分析可以确定人们在极端天气事件中从哪里获得信息。Sieber表示，通过深入学习，我们可以更好地理解这些信息的内容，方法是将数以千计的推文归类为固定类别，比如‘基础设施和公用事业受损’或‘同情和情感支持’ 。 ”研究人员随后采用了两级DL分类模型，首先是以对危机管理人员有用的方式将这些方法结合起来。

研究强调了在为此目的使用社交媒体分析方面的一些问题，特别是没有注意到危机等标签数据集的背景远远超出预期，以及缺乏对危机管理相关术语进行分类的通用语言。

研究人员进行的初步调查还发现， 2019年内布拉斯加洪水中的确出现了名人呼叫，流行歌手贾斯汀·汀布莱克(Justin Timberlake)的一条推文被大量用户分享，尽管事实证明这条推文对危机管理者没有用处。

“我们的研究结果告诉我们，信息内容在不同类型的事件之间有所不同，这违背了对危机管理进行分类的通用语言的信念；这限制了对少数类型事件的标签数据集的使用，因为搜索术语可能会在不同事件之间发生变化。 ”

"公众提供的关于天气的大量社交媒体数据表明，它可以在暴风雪、洪水和冰暴等危机中提供关键信息。西门子表示，我们目前正在探索将这一模式转移到不同类型的天气危机中，并通过将这些方法与其他方法结合起来，解决现有监管方法的缺陷。

Renee Sieber等人在《应急和危机管理杂志》(Journal of Continitions and Crisis Management)上发表了“利用深度学习和社交网络分析来理解和管理极端洪水”的文章。