Multimodal Classification on User-generated Content During Wildfires in Canada
Notice bibliographique
Résumé
The ability to swiftly and efficiently assess information is essential for a successful response in the case of a natural disaster, such as wildfires. Access to accurate and timely information is critical for first responders and the public to make informed decisions within tight timelines. Although traditional sources of information such as satellite images, field surveys, and contact centers are costly and time consuming, social media content is more affordable and immediately available, making it a useful tool for real-time updates. However, extracting insights from the abundance of user-generated content on social media can be challenging. Machine learning can automatically categorize posts, filter noise and highlight crucial information for responders and the public. In this work, we introduce, WildFireCan-MMD, a new multimodal dataset tailored to Canadian wildfires, collected from user-generated posts on X during the 2022, 2023, and 2024 British Columbia and Alberta wildfires. We applied topic clustering followed by manual annotation to label this dataset into thirteen wildfire-relevant themes. We tested two Generative Large Vision-Language Models (GLVLMs), namely, gpt-4o-mini and open-source LLaVA, for the classification of WildFireCan-MMD in zero-shot setting. We also developed custom classifiers, including RoBERTa and ViT transformer combinations with early and late fusion. Our results show that if no training data is available, gpt-4o-mini might serve as a practical zero-shot classifier. However, with labeled training data, even a basic Gaussian Naive Bayes classifier outperforms gpt-4o-mini. Fine-tuned transformers outperform gpt-4o-mini by a large margin of 23%. This study underscores the value of curated, task-specific datasets and training customized classifiers despite recent advancements in zero-shot GLVLMs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».