Sub-event discovery and retrieval during natural hazards on social media data

Wu, Qiao; Ma, Shilong; Liu, Yunzhen

doi:10.1007/s11280-015-0359-8

Cited by 10 publications

(5 citation statements)

References 33 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Of these 30, after reading the abstracts, 7 would have been included in our Database, but only one actually was included. Examples of those not included are "Rapid flood inundation mapping using social media, remote sensing and topographic data" (Rosser et al, 2017), "Sub-event discovery and retrieval during natural hazards on social media data" (Wu et al, 2016), "Detecting Natural Hazard-Related Disaster Impacts with Social Media Analytics: The Case of Australian States and Territories" (Yigitcanlar et al, 2022), and "Public Attention to Natural Hazard Warnings on Social Media in China" (Hu et al, 2019).…”

Section: Paper Searching Criteriamentioning

confidence: 99%

Review Article: Leveraging Social Media for Managing Natural Hazard Disasters: A Critical Review of Data Collection Strategies and Actionable Insights

Gopal,

Prabha,

Thirugnanam

et al. 2024

Preprint

View full text Add to dashboard Cite

Abstract. This paper critically reviews 250 articles from 2010 to September 2023, analyzing how social media data is utilized in disaster management, addressing challenges in relevance filtering and noise reduction to extract actionable disaster information and enhance decision-making efficiency. The results of our critical analysis are given in a Social Media Literature Database where we categorize each article's information into 7 main categories and 27 subcategories, covering article details, case study regions, disaster events, social media data specifics, data collection and analysis methods, and evaluation methodologies. To assess the effectiveness of social media in providing actionable disaster information, we further classify the articles into 9 categories, covering public discourse analysis, temporal and spatial insights, relevance filtering methods, community/stakeholder collaborations, disaster trends, and resource identification. We also illuminate historical disaster events within the review period and discuss the results through graphical visualizations. Our findings show that natural language processing methods, particularly content analysis, were commonly utilized in the literature, and contribute significantly to basic data filtering by removing noise. Commonly used advanced robust analysis machine learning methods included Support Vector Machines, Naive Bayes, and Neural Networks. We found that proficiency in temporal and spatial analysis of social media data is widespread among the studies, with varying success in implementing effective relevance filtering. Our actionable information categorization revealed a need for further exploration into community interactions and resource identification using social media data during and after disasters. Based on the literature study and our own experience on the subject, we propose six best practices for social media usage in disaster situations for the community and five best practices for researchers to enhance disaster management strategies.

show abstract

Section: Paper Searching Criteriamentioning

confidence: 99%

Review Article: Leveraging Social Media for Managing Natural Hazard Disasters: A Critical Review of Data Collection Strategies and Actionable Insights

Gopal,

Prabha,

Thirugnanam

et al. 2024

Preprint

View full text Add to dashboard Cite

show abstract

“…PR managers are sensitive to the posts that change with the topic evolving [37], but few studies have supported the topic-level correlation. Although the LDA-based model could extract the topics [2,38], the correlation between the posts inside of topics is still an open question. In this article, the Word Mover's Distance (WMD) method is applied to calculate the correlation of the posts in different topics (sub-events).…”

Section: Sub-event Correlationmentioning

confidence: 99%

“…For PR crisis events, it has similar characteristics of emergency or epidemic events, such as natural disasters [2,3], epidemic spreading [4,5], and sports competitions [6,7]. The information related to disaster events can be uploaded and reported, which contributes to the disaster reporting [8].…”

Section: Introductionmentioning

confidence: 99%

Reconstruction of Unfolding Sub-Events From Social Media Posts

Guo

Zhang

et al. 2022

Front. Phys.

View full text Add to dashboard Cite

Event detection plays a crucial role in social media analysis, which usually concludes sub-event detection and correlation. In this article, we present a method for reconstructing the unfolding sub-event relations in terms of external expert knowledge. First, a Single Pass Clustering method is utilized to summarize massive social media posts. Second, a Label Propagation Algorithm is introduced to detect the sub-event according to the expert labeling. Third, a Word Mover’s Distance method is used to measure the correlation between the relevant sub-events. Finally, the Markov Chain Monte Carlo simulation method is presented to regenerate the popularity of social media posts. The experimental results show that the popularity dynamic of the empirical social media sub-events is consistent with the data generated by the proposed method. The evaluation of the unfolding model is 50.52% ∼ 88% higher than that of the random null model in the case of “Shanghai Tesla self-ignition incident.” This work is helpful for understanding the popularity mechanism of the unfolding events for online social media.

show abstract

“…Εντοπισμός Υπο-Γεγονότων. Οι ερευνητικές προσπάθειες που έχουν επικεντρωθεί στην ανίχνευση δευτερευόντων συμβάντων από δεδομένα κοινωνικών μέσων [124,84,4,4,66] αναλυούν δεδομένα που ήδη έχουν κάποια σχέση με το γεγονός. Με άλλα λόγια, σαν είσοδο στην μέθοδο δίνονται δεδομένα που αφορούν σε ένα γεγονός αποκλειστικά (π.χ., αγώνας ποδοσφαίρου) και ο στόχος τους είναι να εντοπίσουν σε αυτό τα υπο-γεγονότα που αποτελούν τις σημαντικές στιγμές του γεγονότος (π.χ., γκολ, κόκκινη κάρτα, κίτρινη κάρτα, τελικό σκορ).…”

Section: τεχνικές για τον εντοπισμό ανωμαλιών και οι εφαρμογές τουςunclassified

“…Research efforts have been focused towards the detection of sub-events from social media data ( [124,134,112]). Pohl et al [84] analyze emergencies and disasters by querying a database with keywords related to the emergency and then querying the event dataset for sub-events.…”

Section: Sub-event Discoverymentioning

confidence: 99%

Anomaly detection on temporal data with applications to social networks and healthcare

Saravanou¹,

Σαραβάνου²

View full text Add to dashboard Cite

Σήμερα, οι διαδικτυακές υπηρεσίες και εφαρμογές είναι πανταχού παρούσες και ο όγκος των δεδομένων που παράγονται και συλλέγονται είναι τεράστιος. Τα δεδομένα θεωρούνται ως μια ισχυρή πρώτη ύλη που μπορεί να επηρεάσει τις διεπιστημονικές ερευνητικές προσπάθειες, κυβερνητικές και επιχειρηματικές επιδόσεις. Αναλύοντας τα δεδομένα, κερδίζουμε γνώση και κατανόηση. Ο εντοπισμός ασυνήθιστων μοτίβων στα δεδομένα όχι μόνο βοηθά στην πρόληψη επικίνδυνων καταστάσεων αλλά και παρακολουθεί τις αλλαγές στις τάσεις όσων αναλύονται. Η διαδικασία αναγνώρισης ασυνήθιστης ή ανώμαλης συμπεριφοράς ονομάζεται ανίχνευση ανωμαλιών. Σε αυτή τη διατριβή, προτείνουμε νέους αλγόριθμους και εργαλεία για ανίχνευση ανωμαλιών με εφαρμογές σε διάφορους τομείς: (1) μέσα κοινωνικής δικτύωσης, (2) πηγές ειδήσεων, και (3) υγειονομική περίθαλψη. Οι πλατφόρμες κοινωνικών μέσων είναι μια πολύτιμη πηγή πληροφοριών. Χρειαζόμαστε τεχνικές που είναι πιο εκφραστικές όσον αφορά τα συμπεράσματα της ανάλυσης και που μας επιτρέπουν να κατανοήσουμε καλύτερα τα δεδομένα. Ορίζουμε το πρόβλημα της ανίχνευσης γεγονότων και υπο-γεγονότων και παρουσιάζουμε τεχνικές που (i) ανιχνεύουν συμβάντα από το τεράστιες ροές μηνυμάτων που δημοσιεύουν οι χρήστες και (ii) περιγράφουν και συνοψίζουν κάθε γεγονός δημιουργώντας ένα χρονοδιάγραμμα που απαρτίζεται από τα πιο σημαντικά στιγμιότυπα. Οι πύλες ειδήσεων είναι μια άλλη πηγή πληροφοριών, πιο δομημένη από τα μέσα κοινωνικής δικτύωσης, και με ένα πιο αυστηρό και περιορισμένο λεξιλόγιο. Στην εποχή μας, υπάρχει τεράστια αύξηση του αριθμού των ειδησεογραφικών πηγών που υπάρχουν και του αριθμού ημερήσιων ειδήσεων που δημοσιεύονται. Χρειαζόμαστε συστήματα σύστασης ειδήσεων και εξατομίκευσης που θα το διευκολύνουν τον αναγνώστη να λάβει μια επιμελημένη λίστα ειδήσεων. Για αυτόν τον λόγο, εμείς προτείνει μια μέθοδο για την ταξινόμηση όλων των αξιοσημείωτων ειδησεογραφικών άρθρων και τη δημιουργία ενός συστήματος για την παρακολούθηση, ανάλυση και εξαγωγή συμπερασμάτων από πολλές πηγές ειδήσεων. Τα δεδομένα της υγειονομικής περίθαλψης καθίστανται όλο και περισσότερο διαθέσιμα τα τελευταία χρόνια. Περιέχουν πλούσιες πληροφορίες που αν αξιοποιηθούν με τον σωστό τρόπο θα βελτιώσουν την υγεία των ανθρώπων. Ωστόσο, υπάρχει ένα κενό στην έρευνα καθώς οι επαγγελματίες του τομέα της υγείας γνωρίζουν καλά τις ερευνητικές ερωτήσεις και την σημασία των δεδομένων, ενώ οι επιστήμονες πληροφορικής είναι ειδικοί στην ανάλυση δεδομένων και στη δημιουργία προγνωστικών μοντέλων. Θα πρέπει λοιπόν να συνεργαστούν οι ειδικοί από αυτά τα δύο ερευνητικά πεδία για να επιτύχουμε τα καλύτερα δυνατά αποτελέσματα. Στην περίπτωσή μας, μελετάμε το πρόβλημα πρόβλεψης βρεφικής θνησιμότητας χρησιμοποιώντας δεδομένα από αρχεία πιστοποιητικών γέννησης. Εστιάζουμε σε κοινωνικοοικονομικά χαρακτηριστικά και πώς αυτά μπορούν να επηρεάσουν την προγνωστική απόδοση των μοντέλων. Κάνουμε πειράματα με ένα ευρύ φάσμα μοντέλων μηχανικής μάθησης, χρησιμοποιώντας διαφορετικούς συνδυασμούς χαρακτηριστικών. Τέλος, δείχνουμε τρόπους για να βελτιώσουμε τις λύσεις που προτείνονται σε αυτό το πρόβλημα στην βιβλιογραφία και χρησιμοποιούν μόνο δύο χαρακτηριστικά, το βάρος γέννησης και τη βαθμολογία APGAR.

show abstract

Sub-event discovery and retrieval during natural hazards on social media data

Cited by 10 publications

References 33 publications

Review Article: Leveraging Social Media for Managing Natural Hazard Disasters: A Critical Review of Data Collection Strategies and Actionable Insights

Review Article: Leveraging Social Media for Managing Natural Hazard Disasters: A Critical Review of Data Collection Strategies and Actionable Insights

Reconstruction of Unfolding Sub-Events From Social Media Posts

Anomaly detection on temporal data with applications to social networks and healthcare

Contact Info

Product

Resources

About