זיהוי אירועים חדים מבוססי מיקום והפצת מידע באמצעות משפיענים בטוויטר

מדוע לחשושים מקוונים חשובים בזמן שיטפון

כשאסון מתרחש, אנשים נוטים להגיע לטלפונים שלהם מהר לא פחות מאשר למקומות גבוהים. פוסטים בפלטפורמות כמו טוויטר יכולים לחשוף היכן נדרשת עזרה עוד לפני שדיווחים רשמיים יתעדכנו. מחקר זה מראה כיצד קריאת המסרים הנואשים האלה באופן מדויק, וניתובם דרך קולות מהימנים מתאימים, יכולה להפוך את הרעש המקוון לפעמון אזעקה מוקדם שמציל חיים בעת משבר, כמו למשל השיטפונות באסאם בהודו בשנת 2022.

הפיכת ציוצים לאותות אזהרה מוקדמים

החוקרים ביקשו לענות על שאלה פשוטה אך דחופה: האם ניתן להשתמש בטוויטר כדי לזהות אירועים מסוכנים במקומות ספציפיים ולהתריע במהירות לאנשים שצריכים לדעת? הם התמקדו בשיטפון אמיתי באסאם, ואספו 20,000 ציוצים שהזכירו את האסון. רבים מהפוסטים היו מבולגנים, רגשיים וללא תיוגים — בדיוק כמו רוב מה שאנו רואים במדיה החברתית. הרעיון של הצוות היה לסנן באופן אוטומטי את הזרם הזה, לזהות אילו הודעות אכן מתארות את המשבר המתפתח, ואז להשתמש במידע הזה כדי להתריע לקהילות בקרבה.

ללמד מחשבים לשמוע יגון במילים

כדי להבחין בין דיווחים אמיתיים על אסון לבין כל השאר, המחברים שילבו שתי כלי ניתוח טקסט חזקים. ראשית, השתמשו במערכת סנטימנט שנקראת VADER, שיכולה לשפוט האם ציוץ נשמע שלילי חזק, נייטרלי או חיובי, בהתבסס על המילים והטון שאנשים משתמשים בהם. הודעות שליליות מאוד במהלך שיטפון לעתים קרובות מרמזות על נזק, סכנה או צורך דחוף. ציוצים אלה שסומנו הומרו לתבניות מספריות פשוטות והוזנו לאוסף של מודלים של למידת מכונה, כולל מודל שפה מתקדם הידוע כ-BERT. לאחר בדיקות מדוקדקות, חבורה של מודלים מסורתיים שעבדו יחד השיגה ביצועים מעט טובים יותר מהגישה של למידה עמוקה, והצליחה להבחין בציוצים הקשורים לאסון מאחרים בכ־98 אחוזים מהמקרים.

למצוא היכן נדרשת עזרה, לא רק מה קרה

לדעת שציוץ מתאר אסון זה רק מחצית המלחמה; המגיבים צריכים גם לדעת לאן הוא מצביע. נתוני מיקום במדיה חברתית לעתים קרובות חסרים או מטעות, בין אם כי המשתמשים שוכחים לתייג את הפוסטים שלהם או כי הם נוסעים בזמן שהם מדברים על מקום אחר. החוקרים התמודדו עם זה על ידי חילוץ רמזי מיקום ישירות מהטקסט, כגון שמות עיירות ומחוזות, והתאמתם למסד נתונים של קודי מיקוד. הם שילבו זאת עם כל תגי GPS שנמצאו ולאחר מכן בדקו הכל באמצעות מנוע בסיס נתונים. תיאום זה הוביל למפה נקייה יותר של מקומות שבהם דווח על נזקי השיטפון ברחבי אסאם, עד לרמת מחוזות וקהילות ספציפיות.

לאפשר לקולות מהימנים לשאת את המסר

לאחר שהיו להם מפת מיקומי המשבר, המחברים פנו לרשת החברתית עצמה. הם בנו גרף של משתמשי טוויטר המחוברים על ידי תגובות והזכרות ואז חיפשו "קהילות" טבעיות של אנשים שמתקשרים באופן הדוק, לעתים קרובות קשורות למקומות משותפים. בתוך כל קהילה השתמשו במדד שנקרא מרכזיות הרמונית כדי למצוא משתמשים שנמצאים על רבים מהנתיבים הקצרים בין אחרים. בפשטות, אלה אנשים שהודעותיהם מתפשטות במהירות ובהיקף בתוך הקבוצה שלהם. המערכת סימנה משתמשים בעלי קשרים רבים אלה כמשפיענים שניתן ליצור עימם קשר או לעקוב אחריהם כדי לסייע בהפצת התרעות מאומתות על תנאי שיטפון מקומיים.

מה זה אומר לאנשים בשטח

בסופו של דבר, המחקר מציג מתווה להפיכת נתוני מדיה חברתית רועשים לאזהרות ממוקדות ורגישות למיקום בזמן אסונות. על ידי זיהוי אוטומטי של ציוצים רציניים, צימודם למקומות אמיתיים, קיבוץ משתמשים קרובים לקהילות וזיהוי הקולות המשפיעים ביותר בכל קבוצה, המערכת יכולה לסייע לסוכנויות חירום להגיע לאנשים הנכונים בזמן הנכון. אמנם הגישה עדיין תלויה מספיק בפוסטים שמכילים רמזי מיקום שימושיים, היא ממחישה כיצד תגובות היומיום שלנו ברשת יכולות להפוך לרשת חישת מידע בלתי רשמית שמחזקת תגובה מוקדמת ועלולה בסופו של דבר להציל חיים.

ציטוט: Manikandan, D., Valliyammai, C. Location based bursty event detection and information dissemination using influencers in Twitter. Sci Rep 16, 14631 (2026). https://doi.org/10.1038/s41598-026-44512-6

מילות מפתח: אזהרה מוקדמת מפני אסונות, אנליטיקה של מדיה חברתית, משפיעני טוויטר, מיפוי משברים, למידת מכונה