26401

استفاده از تحليل كلان‌داده شبكه‌هاي اجتماعي براي مديريت بحران و ارزيابي واكنش جامعه به وقايع فاجعه‌بار

كارشناسي ارشد

مهندسي عمران- مهندسي و مديريت ساخت

1397

1400/8/11

مصطفي خانزادي - بهروز مينائي

مهندسي عمران

مديريت بحران از موضوعاتي است كه در ساليان اخير همواره توجه محققان و به‌ويژه مهندسان عمران را به خود جلب كرده است. از سوي ديگر امروزه بستر رسانه‌هاي اجتماعي و ظهور هوش مصنوعي فرصت‌هاي بي‌شماري را براي جمع‌آوري اطلاعات آني و بررسي واكنش جامعه به بحران‌ها ايجاد كرده است، به‌طوري كه عموم مردم اطلاعات مهمي مانند هشدارهاي اوليه، درخواست كمك و كمبود‌ها، رضايت از خدمات، آسيب به زيرساخت‌ها مانند جاده‌ها، پل‌ها و ساختمان‌ها را در اين بستر گزارش مي‌دهند. برخي چالش‌ها مانند تنوع محتوا، سرعت توليد و حجم بالا و وجود محتواي نامرتبط استفاده از روش‌هاي سابق براي پردازش و استفاده از اين داده‌ها را غيرممكن مي‌كند. از اين رو، در اين پايان‌نامه بر ارائه يك چارچوب تحليل داده‌هاي مربوط به شبكه توييتر در هنگام فاجعه كه شامل استفاده از روش‌هاي نوين پردازش زبان طبيعي و يادگيري ماشين براي تحليل و پردازش اين داده‌ها با هدف ايجاد ابزاري براي مديريت بلايا تمركز مي‌كنيم. در چارچوب ارائه‌شده با رويكرد استخراج دانش، ابتدا داده‌هاي دريافتي توييتر كه شامل مشخصات و فراداده‌ها است در پايگاه داده ذخيره شده و سپس وارد مراحل داده‌كاوي در بعدهاي تحليل‌ متن، شبكه، مكان و زمان مي‌شوند و در نهايت نتايج اين تحليل‌ها با يكدييگر ادغام مي‌شوند. براي رده‌بندي موضوعي و احساسات متن از مدل‌هاي پردازش متن مبتني بر مبدل و رويكرد يادگيري انتقالي استفاده مي‌كنيم كه در اين حوزه جزو رويكردهاي نوين است. مدل‌هاي آموزش داده‌شده براي تحليل احساسات مثبت و منفي، رده‌بندي موضوعي 2 كلاسه و رده‌بندي 11 كلاسه، به ترتيب دقت‌هايي تقريبا برابر با 91، 87 و 86 درصد را در آزمون نشان دادند كه از طريق اعتبارسنجي مشخص شد در حوزه انفورماتيك بحران دقت بسيار بالايي محسوب مي‌شوند. پس از تحليل داده تندباد دوريان به‌عنوان مطالعه موردي، نتايج و تفاسير مربوطه ارائه شد كه برخي از آن‌ها عبارتند از: توييت‌هاي با موضوع اخطار و توصيه قبل از حادثه بسيار رو به رشد و از لحظه حادثه به بعد نزولي شدند و توييت‌هاي با محتواي درخواست نياز روز حادثه ناگهان شدت يافتند و روز بعد هم ادامه داشتند ولي توييت‌هاي با موضوع آسيب به زيرساخت‌ها تقريبا با تأخير يك روزه از حادثه به سطوح بالاتري مي‌رسد كه نشانه از تأخير واكنش جامعه به اين موضوع است. همچنين اكثر شهرهايي كه موج توييت‌ها در آن‌ها به‌صورت ناگهاني شدت يافته در مسير تندباد قرار داشتند. هر چه در زمان رويداد، فاصله از حادثه كمتر بوده، تعداد توييت‌هاي بيشتري از آن مكان انتشار يافته است. به‌طور خلاصه مهم‌ترين كاربرد مدل ارائه‌شده رسيدن به نرم‌افزاري جهت پردازش اطلاعات موجود جهت كمك در رسيدن به بينش سريع از وضع موجود براي اولويت‌بندي و تصميم‌گيري يا ارزيابي عملكرد، رضايت مردم و شناخت عوامل مؤثر و روندها براي واكنش مناسب در بحران‌هاي بعدي يا در حال وقوع مي‌باشد.

1401/02/09

Social Media big data analysis for disaster management and evaluate community response to catastrophic events

11/2/2022 12:00:00 AM

In recent years, Disaster management is one of the topics that has always attracted the attention of researchers, especially civil engineers. On the other hand, today, the context of social media and the advent of artificial intelligence has created countless opportunities to gather instant information and examine society's response to crises, so that the general public has important information such as early warnings, requests for assistance and shortages, service satisfaction, infrastructure damage such as roads, bridges and buildings are reported in this context. Some challenges, such as content diversity, high production speed and volume, and the presence of irrelevant content, make it impossible to use previous methods to process and use this data. Therefore, in this dissertation, we focus on providing a framework for analyzing Twitter data in the event of a disaster, which includes the use of modern natural language processing and machine learning methods to analyze and process this data with the aim of creating a disaster management tool. In the framework presented with the knowledge extraction approach, the received Twitter data, which includes specifications and metadata, is first stored in the database and then enters the data mining stages in the analysis of text, network, place and time, and finally the results of these analyzes are combined. For topic and sentiment classification, we use transformer-based text processing models and transfer learning approach, which is one of the state-of-the-art approaches in this field. The trained models for analyzing positive and negative emotions, topic classification for 2 classes and classification of 11 classes, showed accuracy of approximately 91, 87 and 86% in the test, respectively, which was found to be very accurate in the field of crisis informatics. After analyzing the Dorian hurricane data as a case study, the relevant results and interpretations were presented, some of which are: tweets with the subject of warning and advice before the accident grew rapidly and decreased from the moment of the accident onwards, and tweets with the content of the request at the day of the accident suddenly intensified and continued the next day, but the tweets about the damage to the infrastructure reached higher levels almost a day after the accident, which is a sign of the delay in the community's response to this issue. Also, most of the cities where the wave of tweets suddenly intensified were on the hurricane route. The shorter the distance from the incident at the time of the incident, the more tweets were published from that location. In summary, the most important application of the proposed model is access to software to process existing information to help achieve rapid insight into the current situation for prioritization and decision-making or performance appraisal, public satisfaction and recognition of effective factors and trends for appropriate response to future or ongoing crises.

Hassan Mohammadi

Dr. Mostafa Khanzadi