Обнаружение локализованных всплесков событий и распространение информации с помощью инфлюенсеров в Twitter

Почему онлайн‑шепоты важны во время наводнения

Когда происходит бедствие, люди берут в руки телефоны так же быстро, как и ищут возвышенное место. Публикации на платформах вроде Twitter могут показать, где нужна помощь, задолго до того как это зафиксируют официальные службы. В этом исследовании показано, как внимательное чтение таких панических сообщений и передача их через правильные авторитетные голоса способны превратить разрозненный онлайн‑шум в систему раннего оповещения, которая спасает жизни во время кризисов, таких как наводнения в Ассаме (Индия) в 2022 году.

Преобразование твитов в сигналы раннего предупреждения

Исследователи поставили перед собой простой, но срочный вопрос: можно ли использовать Twitter для выявления опасных событий в конкретных местах и быстрого оповещения тех, кому это нужно? Они сосредоточились на реальном наводнении в Ассаме, собрав 20 000 твитов, в которых упоминалось это событие. Многие из этих сообщений были неструктурированными, эмоциональными и неразмеченными — как и большая часть контента в социальных сетях. Идея команды заключалась в том, чтобы автоматически просеять этот поток, определить, какие сообщения действительно описывают разворачивающийся кризис, и затем использовать эти данные для предупреждения соседних сообществ.

Обучение компьютеров распознавать признаки бедствия в словах

Чтобы отделить подлинные отчёты о бедствии от прочего шума, авторы объединили два мощных инструмента анализа текста. Сначала они применили систему анализа настроений VADER, которая может оценивать, звучит ли твит резко негативно, нейтрально или позитивно, исходя из слов и интонации. Сильно негативные сообщения во время наводнения часто сигнализируют о повреждениях, опасности или срочной необходимости помощи. Эти размеченные твиты затем переводились в простые числовые представления и подавались на вход набору моделей машинного обучения, включая продвинутую языковую модель BERT. После тщательного тестирования ансамбль традиционных моделей в сочетании превзошёл глубокую модель, с точностью примерно 98% корректно отличая твиты, связанные с бедствием, от остальных.

Определение мест, где нужна помощь, а не только того, что произошло

Знание того, что твит сообщает о серьёзном событии, — лишь половина дела; службам реагирования также важно понять, куда именно он указывает. Данные о местоположении в социальных сетях часто отсутствуют или вводят в заблуждение: пользователи забывают пометить пост или пишут, находясь в другом месте. Исследователи решали эту проблему, извлекая подсказки о местоположении прямо из текста — названия городов и округов — и сопоставляя их с базой почтовых индексов. Это комбинировалось с любыми GPS‑метками, если они были, а затем всё проверялось с помощью системы баз данных. Такое тщательное сопоставление дало более чистую карту сообщений о повреждениях от наводнения по Ассаму — вплоть до конкретных округов и общин.

Доверенные голоса, которые должны нести сообщение

Получив карту кризисных точек, авторы обратились к самой социальной сети. Они построили граф пользователей Twitter, связанных ответами и упоминаниями, и затем искали естественные «сообщества» людей, которые тесно взаимодействуют, часто объединённые общим географическим контекстом. Внутри каждого сообщества они использовали меру, называемую гармонической центральностью, чтобы найти пользователей, через которых проходит много кратчайших путей между другими. Проще говоря, это люди, чьи сообщения быстро и широко распространяются по их группе. Система помечала таких сильно связанных пользователей как инфлюенсеров, которых можно контактировать или отслеживать, чтобы помочь распространить проверённые оповещения о местных условиях наводнения.

Что это означает для людей на местах

В итоге исследование предлагает план по превращению шумных данных социальных медиа в целевые, учитывающие местоположение предупреждения во время бедствий. Автоматически выявляя серьёзные твиты, привязывая их к реальным местам, группируя соседние пользователи в сообщества и определяя самых влиятельных голосов в каждой группе, система может помочь экстренным службам достичь нужных людей в нужное время. Хотя подход по‑прежнему зависит от наличия достаточного числа постов с полезными признаками местоположения, он демонстрирует, как наши повседневные онлайн‑реакции могут превратиться в неформальную сенсорную сеть, усиливающую раннее реагирование и потенциально спасая жизни.

Цитирование: 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

Ключевые слова: раннее предупреждение о стихийных бедствиях, анализ социальных медиа, инфлюенсеры в Twitter, картирование кризисов, машинное обучение