Locatiegebaseerde detectie van plotselinge gebeurtenissen en informatieverspreiding via beïnvloeders op Twitter

Waarom online gefluister tijdens een overstroming ertoe doet

Wanneer een ramp toeslaat, grijpen mensen nu net zo snel naar hun telefoon als naar hoger gelegen grond. Berichten op platforms zoals Twitter kunnen al vroeg aangeven waar hulp nodig is, lang voordat officiële rapporten bijbenen. Deze studie laat zien hoe het zorgvuldig uitlezen van die paniekerige berichten, en het doorsturen ervan via de juiste vertrouwde stemmen, verspreide online rumoer kan omzetten in een levensreddend vroegwaarschuwingssysteem tijdens crises zoals de overstromingen in Assam, India, in 2022.

Tweets omzetten in vroegsignalen

De onderzoekers wilden een eenvoudige maar dringende vraag beantwoorden: kan Twitter worden gebruikt om gevaarlijke gebeurtenissen op specifieke locaties te signaleren en snel de mensen te waarschuwen die het moeten weten? Ze concentreerden zich op een echte overstroming in Assam en verzamelden 20.000 tweets die naar de ramp verwezen. Veel van deze berichten waren rommelig, emotioneel en niet gelabeld, net als het meeste wat we op sociale media zien. Het idee van het team was om deze stroom automatisch te zeven, te bepalen welke berichten echt de zich ontwikkelende crisis beschrijven, en die informatie vervolgens te gebruiken om nabije gemeenschappen te waarschuwen.

Computers leren nood in woorden te horen

Om echte rampmeldingen van de rest te scheiden, combineerden de auteurs twee krachtige tekstanalysetools. Eerst gebruikten ze een sentimentensysteem genaamd VADER dat kan inschatten of een tweet sterk negatief, neutraal of positief klinkt op basis van de gebruikte woorden en toon. Sterk negatieve berichten tijdens een overstroming duiden vaak op schade, gevaar of dringende behoefte. Deze gelabelde tweets werden vervolgens omgezet in eenvoudige numerieke patronen en ingevoerd in een reeks machine learning-modellen, waaronder een geavanceerd taalmodel dat bekendstaat als BERT. Na zorgvuldige tests presteerde een ensemble van traditionele modellen samen iets beter dan de deep learning-aanpak en kon het met ongeveer 98 procent nauwkeurigheid onderscheid maken tussen rampgerelateerde tweets en andere berichten.

Vinden waar hulp nodig is, niet alleen wat er gebeurde

Weten dat een rampachtige tweet serieus is, is maar de helft van de strijd; hulpverleners moeten ook weten waar de melding naar verwijst. Locatiegegevens op sociale media ontbreken vaak of zijn misleidend, omdat gebruikers vergeten hun berichten te taggen of reizen terwijl ze over een andere plaats praten. De onderzoekers pakten dit aan door locatie aanwijzingen rechtstreeks uit de tekst te halen, zoals plaats- en districtnamen, en die te matchen met een database van postcodes. Ze combineerden dit met eventuele GPS-achtige tags die wél aanwezig waren en controleerden alles daarna met een databankengine. Deze zorgvuldige afstemming leverde een schoner kaartbeeld op van waar overstromingsschade over Assam werd gerapporteerd, tot op specifieke districten en gemeenschappen.

De boodschap laten dragen door vertrouwde stemmen

Zodra ze een kaart van crisislokaties hadden, richtten de auteurs zich op het sociale netwerk zelf. Ze bouwden een grafiek van Twitter-gebruikers die verbonden zijn via replies en mentions en zochten naar natuurlijke “gemeenschappen” van mensen die nauw samenwerken, vaak verbonden door gedeelde locaties. Binnen elke gemeenschap gebruikten ze een maat genaamd harmonische centraliteit om gebruikers te vinden die op veel van de kortste paden tussen anderen liggen. Simpel gezegd zijn dit mensen van wie de berichten snel en breed door hun groep verspreiden. Het systeem markeerde deze sterk verbonden gebruikers als beïnvloeders die benaderd of bewaakt konden worden om geverifieerde waarschuwingen over lokale overstromingscondities te helpen verspreiden.

Wat dit betekent voor mensen ter plaatse

Uiteindelijk levert de studie een blauwdruk om luidruchtige socialmediagegevens om te zetten in gerichte, locatiebewuste waarschuwingen tijdens rampen. Door automatisch ernstige tweets te herkennen, ze aan echte plaatsen te koppelen, nabijgelegen gebruikers in gemeenschappen te groeperen en de meest invloedrijke stemmen in elke groep te identificeren, kan het systeem hulpdiensten helpen om op het juiste moment de juiste mensen te bereiken. Hoewel de aanpak nog steeds afhankelijk is van voldoende berichten met bruikbare locatieaanwijzingen, toont het aan hoe onze dagelijkse online reacties kunnen worden getransformeerd tot een informeel sensornetwerk dat de vroegtijdige respons versterkt en uiteindelijk levens kan redden.

Bronvermelding: 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

Trefwoorden: vroegtijdige waarschuwing bij rampen, social media-analyse, Twitter-beïnvloeders, crisismapping, machine learning