Typology of Image Crises Using Large Language Models: A Novel Approach to Crisis Classification
Notice bibliographique
Résumé
ABSTRACT Image crises pose significant challenges for organizations and public figures, often requiring rapid identification and classification to mitigate reputational damage. This study introduces a novel typology of brand crises and demonstrates its application using large language models (LLMs) to enhance crisis detection and classification. We review the current state of knowledge of brand crises and LLMs, underlining their relevance in real‐world text analytics tasks. Based on an analysis of 300 actual crisis cases, we propose an original typology that captures various types and causes of crises. Our methodology combines expert data annotation with automatic crisis type annotation using a generative LLM. This approach enables both classification and early detection of crises in media texts. The results demonstrate that the GPT‐4‐turbo achieved strong performance in distinguishing ideological from nonideological crises (accuracy: 0.903; F1: 0.874), while GPT‐5 with a 2‐shot prompt and GPT‐4o‐mini excelled in identifying affected actors (accuracy and F1: 0.984). Performance was comparatively lower for detailed cause classification, highlighting the greater complexity of fine‐grained categorizations. This study highlights the potential and limitations of LLMs in developing automated crisis management systems to enhance organizational resilience.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».