Needle in the Noise: Detecting Public Safety Events Over Twitter
Notice bibliographique
Résumé
The recent advent of using social media and search engine queries to detect and classifying events is an emerging area in data science. This study uses current Natural Language Processing (NLP) techniques for deep learning combined with classical techniques (heuristic) to detect incidents. Individual tweets will be processed into features and correlated to detect public safety related events. These features will be derived using both classic and modern techniques. Classic features include the use of sentiment/emotion detection, word encoding, named entity recognition, and other classic semantic tools. Hybrid methods will use feature hashing to reduce features for word encoding and named entities. Modern features will use word vectors (FastText). Improved activation functions (Leaky RELU), dropout, and normalization will be used to improve performance of neural networks. Classic and Modern feature and various techinques will be assessed in terms of improving performance. Various models will be used and compared to include traditional machine learning models (Support Vector Machine, Naive Bayes) as well as deep neural networks with the goal to select models that improve performance. Classical techniques will leverage the following tools: Linguistic Inquiry and Word Count (LIWC), Valence Aware Dictionary and sEntiment Reasoner (VADER), and the National Research Council Canada's (NRC) Sentiment and Emotion Lexicons, and DBPedia Spotlight Named Entity Recognition. Detected incidents will further be classified into specific types (fire, shooting, car accident). The goal is to create a combined expert system capable of detecting incidents that impact public safety more efficiently and effectively than previous techniques and will perform better than state of the art text classification tools.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».