Sie befinden Sich nicht im Netzwerk der Universität Paderborn. Der Zugriff auf elektronische Ressourcen ist gegebenenfalls nur via VPN oder Shibboleth (DFN-AAI) möglich. mehr Informationen...
ger: In dieser Arbeit wird untersucht, wie Daten aus sozialen Medien, insbesondere Tweets, zur Verbesserung des Situationsbewusstseins bei Katastrophen genutzt werden können. Wir entwickeln verschiedene Ansätze zur Extraktion relevanter Merkmale und verwertbarer Informationen aus Social-Media-Daten. Wir präsentieren vier Hauptbeiträge: Ein gemeinsamer Lernansatz, der soziale Medien und Umweltdaten integriert, um Katastrophenereignisse zu klassifizieren. Ein Multi-Label-Klassifizierungsansatz, UPB-BERT, der das BERT-Sprachmodell für katastrophenbezogene Tweets feinabstimmt. Ein Ansatz, I-AID, identifiziert verwertbare Informationen in katastrophenbezogenen Tweets für Notfallmanager und Hilfsorganisationen. Ein Ansatz, MultPAX, fasst katastrophenbezogene Tweets zusammen, indem er hervorstechende Phrasen extrahiert und die Identifizierung von Themen, Trends oder Hashtags ohne Hashtags ermöglicht. Wir evaluieren unsere Ansätze an realen Datensätzen von Tweets, die von verschiedenen Katastrophenereignissen gesammelt wurden, und zeigen, dass sie den aktuellen Stand der Technik übertreffen.
eng: This thesis explores how to use social media data, especially tweets, to improve situational awareness during disasters. We develop various approaches to extract relevant features and actionable information from social media data. We present four main contributions: A joint learning approach that integrates social media and environmental data to classify disaster events. A multi-label classification approach, UPB-BERT, fine-tunes the BERT language model for disaster-related tweets. An approach, I-AID, identifies actionable information in disaster-related tweets for emergency managers and relief organizations. An approach, MultPAX, summarizes disaster-related tweets by extracting salient phrases and enables the identification of topics, trends, or hashtags without hashtags. We evaluate our approaches on real-world datasets of tweets collected from different disaster events and show that they outperform state-of-the-art baselines.