Kan deep learning (DL) - een deelgebied van kunstmatige intelligentie - combineren met sociale netwerkanalyse (SNA), bijdragen aan sociale media over extreme weersomstandigheden een handig hulpmiddel maken voor crisismanagers, eerstehulpverleners en overheidswetenschappers? Een interdisciplinair team van McGill-onderzoekers heeft deze tools op de voorgrond gebracht in een poging om extreme weersomstandigheden te begrijpen en te beheersen.

De onderzoekers ontdekten dat door gebruik te maken van een ruisonderdrukkingsmechanisme, waardevolle informatie zou uit sociale media kunnen worden gefilterd om knelpunten beter te beoordelen en de reacties van gebruikers op extreme weersomstandigheden te beoordelen. De resultaten van het onderzoek zijn gepubliceerd in het Journal of Contingencies and Crisis Management.

Duiken in een zee van informatie

"We hebben het geluid verminderd door uit te zoeken naar wie er werd geluisterd, en die gezaghebbende bronnen waren, " legt Renée Sieber uit, Universitair hoofddocent bij McGill's Department of Geography en hoofdauteur van deze studie. "Dit vermogen is belangrijk omdat het vrij moeilijk is om de validiteit van de informatie die door Twitter-gebruikers wordt gedeeld, te beoordelen."

Het team baseerde hun onderzoek op Twitter-gegevens van de overstromingen in Nebraska in maart 2019 in de Verenigde Staten, die meer dan $ 1 miljard aan schade en wijdverbreide evacuaties van bewoners veroorzaakte. In totaal, meer dan 1, 200 tweets werden geanalyseerd en geclassificeerd.

"Sociale netwerkanalyse kan identificeren waar mensen hun informatie vandaan halen tijdens een extreem weergebeurtenis. Deep learning stelt ons in staat de inhoud van deze informatie beter te begrijpen door duizenden tweets in vaste categorieën in te delen, bijvoorbeeld, 'schade aan infrastructuur en nutsvoorzieningen' of 'sympathie en emotionele steun, '", zegt Sieber. De onderzoekers introduceerden vervolgens een tweeledig DL-classificatiemodel - een primeur in termen van het integreren van deze methoden op een manier die nuttig zou kunnen zijn voor crisismanagers.

De studie bracht enkele problemen aan het licht met betrekking tot het gebruik van sociale media-analyse voor dit doel, met name het niet opmerken dat gebeurtenissen veel meer contextueel zijn dan verwacht door gelabelde datasets, zoals de CrisisNLP, en het ontbreken van een universele taal om termen met betrekking tot crisisbeheer te categoriseren.

Uit de voorlopige verkenning door de onderzoekers bleek ook dat een oproep van beroemdheden prominent aanwezig was - dit was inderdaad het geval voor de overstromingen in Nebraska in 2019, waar een tweet van popzanger Justin Timberlake door een groot aantal gebruikers werd gedeeld, al bleek het niet bruikbaar voor crisismanagers.

"Onze bevindingen vertellen ons dat de informatie-inhoud varieert tussen verschillende soorten evenementen, in tegenstelling tot de overtuiging dat er een universele taal is om crisisbeheersing te categoriseren; dit beperkt het gebruik van gelabelde datasets voor slechts een paar soorten gebeurtenissen, aangezien zoektermen van de ene gebeurtenis naar de andere kunnen veranderen."

"De enorme hoeveelheid sociale-mediagegevens die het publiek over het weer levert, suggereert dat het kritieke informatie kan verstrekken in crises, zoals sneeuwstormen, overstromingen, en ijsstormen. We onderzoeken momenteel de overdracht van dit model naar verschillende soorten weercrises en het aanpakken van de tekortkomingen van bestaande begeleide benaderingen door deze te combineren met andere methoden, ' zegt Sieber.

"Het gebruik van deep learning en sociale netwerkanalyse om extreme overstromingen te begrijpen en te beheersen, " door Renée Sieber et al., werd gepubliceerd in de Tijdschrift voor onvoorziene gebeurtenissen en crisisbeheersing .