به سوی گزارش دهی خودکار آگاهی موقعیتی برای مدیریت بلایا (بحران) – مطالعه موردی

عنوان فارسی مقاله:به سوی گزارش دهی خودکار آگاهی موقعیتی برای مدیریت بلایا (بحران) – مطالعه موردی

چکیده

بلایا از یک جدول زمانی قابل پیش بینی پیروی نمی‌کنند. آگاهی موقعیتی سریع برای مدیریت بلایا ضروری است. افرادی که شاهد یک فاجعه در همان منطقه و فراتر از آن هستند، اغلب از رسانه‌های اجتماعی برای گزارش، اطلاع رسانی، جمع بندی، به روز رسانی یا هشدار به یکدیگر استفاده می‌کنند. این هشدارها و توصیه‌ها سریع‌تر از اخبار سنتی و رسانه‌های اصلی هستند. با این حال، به دلیل حجم انبوه اطلاعات خام و فیلتر نشده، داده‌ها نمی‌توانند به موقع توسط انسان مدیریت شوند. گزارش‌دهی خودکار آگاهی موقعیتی می‌تواند به طور قابل توجهی و پایدار مدیریت بلایا را بهبود بخشد و با فیلتر کردن، شناسایی و خلاصه کردن سریع اطلاعات مهم جان انسان‌ها را نجات دهد. در این کار، هدف ما ارائه یک رویکرد جدید به سمت گزارش خودکار آگاهی موقعیتی با استفاده از داده‌های میکروبلاگینگ از طریق تشخیص و خلاصه‌سازی رویداد است. بنابراین، ما یک الگوریتم تشخیص رویداد را با کتابخانه‌های خلاصه‌سازی مختلف ترکیب می‌کنیم. ما رویکرد پیشنهادی را در برابر داده‌های جنگ روسیه و اوکراین آزمایش می‌کنیم تا قابلیت‌های آن را در زمان واقعی ارزیابی کنیم و تعیین کنیم که چه تعداد از وقایع رخ داده می‌توانند برجسته شوند. نتایج نشان می‌دهد که رویکرد پیشنهادی می‌تواند رویدادهای مهم را ترسیم کند. تحقیقات بیشتری را می‌توان برای بهبود خلاصه سازی و فیلتر کردن متن کوتاه انجام داد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Towards Automated Situational Awareness Reporting for Disaster Management—A Case Study

Abstract

Disasters do not follow a predictable timetable. Rapid situational awareness is essential for disaster management. People witnessing a disaster in the same area and beyond often use social media to report, inform, summarize, update, or warn each other. These warnings and recommendations are faster than traditional news and mainstream media. However, due to the massive amount of raw and unfiltered information, the data cannot be managed by humans in time. Automated situational awareness reporting could significantly and sustainably improve disaster management and save lives by quickly filtering, detecting, and summarizing important information. In this work, we aim to provide a novel approach towards automated situational awareness reporting using microblogging data through event detection and summarization. Therefore, we combine an event detection algorithm with different summarization libraries. We test the proposed approach against data from the Russo-Ukrainian war to evaluate its real-time capabilities and determine how many of the events that occurred could be highlighted. The results reveal that the proposed approach can outline significant events. Further research can be carried out to improve short-text summarization and filtering.