Peut combiner l'apprentissage en profondeur (DL) - un sous-domaine de l'intelligence artificielle - avec l'analyse des réseaux sociaux (SNA), faire des contributions des médias sociaux sur les événements météorologiques extrêmes un outil utile pour les gestionnaires de crise, les premiers intervenants et les scientifiques du gouvernement? Une équipe interdisciplinaire de chercheurs de McGill a mis ces outils au premier plan dans un effort pour comprendre et gérer les événements météorologiques extrêmes.

Les chercheurs ont découvert qu'en utilisant un mécanisme de réduction du bruit, des informations précieuses pourraient être filtrées des médias sociaux pour mieux évaluer les points chauds et évaluer les réactions des utilisateurs vis-à-vis des événements météorologiques extrêmes. Les résultats de l'étude sont publiés dans le Journal of Contingencies and Crisis Management.

Plonger dans une mer d'informations

"Nous avons réduit le bruit en découvrant qui était écouté, et qui étaient des sources faisant autorité, " explique Renée Sieber, Professeur agrégé au Département de géographie de McGill et auteur principal de cette étude. "Cette capacité est importante car il est assez difficile d'évaluer la validité des informations partagées par les utilisateurs de Twitter."

L'équipe a basé son étude sur les données Twitter des inondations de mars 2019 dans le Nebraska aux États-Unis, qui a causé plus d'un milliard de dollars de dommages et des évacuations généralisées de résidents. Au total, plus de 1, 200 tweets ont été analysés et classés.

"L'analyse des réseaux sociaux peut identifier où les gens obtiennent leurs informations lors d'un événement météorologique extrême. L'apprentissage en profondeur nous permet de mieux comprendre le contenu de ces informations en classant des milliers de tweets dans des catégories fixes, par exemple, « dommages aux infrastructures et aux services publics » ou « la sympathie et le soutien émotionnel, ' », explique Sieber. Les chercheurs ont ensuite introduit un modèle de classification DL à deux niveaux, une première en termes d'intégration de ces méthodes d'une manière qui pourrait être utile aux gestionnaires de crise.

L'étude a mis en évidence certains problèmes concernant l'utilisation de l'analyse des médias sociaux à cette fin, notamment son incapacité à noter que les événements sont beaucoup plus contextuels que prévu par les ensembles de données étiquetés, comme la CrisisNLP, et l'absence d'un langage universel pour catégoriser les termes liés à la gestion de crise.

L'exploration préliminaire effectuée par les chercheurs a également révélé qu'un appel à une célébrité figurait en bonne place - ce fut en effet le cas pour les inondations du Nebraska en 2019, où un tweet du chanteur pop Justin Timberlake a été partagé par un grand nombre d'utilisateurs, même s'il ne s'est pas avéré utile pour les gestionnaires de crise.

"Nos résultats nous indiquent que le contenu de l'information varie entre différents types d'événements, contrairement à la croyance selon laquelle il existe un langage universel pour catégoriser la gestion de crise; cela limite l'utilisation de jeux de données étiquetés sur quelques types d'événements seulement, car les termes de recherche peuvent changer d'un événement à l'autre."

« La grande quantité de données de médias sociaux que le public fournit sur la météo suggère qu'il peut fournir des informations critiques en cas de crise, comme les tempêtes de neige, inondations, et les tempêtes de verglas. Nous explorons actuellement le transfert de ce modèle à différents types de crises météorologiques et de combler les lacunes des approches supervisées existantes en les combinant avec d'autres méthodes, " dit Sieber.

"En utilisant le deep learning et l'analyse des réseaux sociaux pour comprendre et gérer les inondations extrêmes, " par Renee Sieber et al., a été publié dans le Journal des contingences et gestion de crise .