不良研究所

La combinaison de l鈥檃pprentissage profond 鈥� une branche de l鈥檌ntelligence artificielle 鈥� et de l鈥檃nalyse des r茅seaux sociaux pourrait-elle faire des contributions dans les m茅dias sociaux 脿 propos des ph茅nom猫nes m茅t茅orologiques extr锚mes un outil utile pour les gestionnaires de crise, les premiers intervenants et les scientifiques du secteur public? Une 茅quipe interdisciplinaire compos茅e de chercheurs de l鈥橴niversit茅 不良研究所 a mis 脿 l鈥檃vant-plan ces outils afin de comprendre et de g茅rer les ph茅nom猫nes m茅t茅orologiques extr锚mes.

Les chercheurs ont d茅couvert qu鈥檈n utilisant un m茅canisme de r茅duction du bruit, ils pouvaient extraire de pr茅cieux renseignements des m茅dias sociaux afin de mieux 茅valuer les points chauds et les r茅actions des utilisateurs 脿 l鈥櫭ゞard des ph茅nom猫nes m茅t茅orologiques extr锚mes. Les r茅sultats de l鈥櫭﹖ude ont 茅t茅 publi茅s dans le Journal of Contingencies and Crisis Management.

Une mine d鈥檌nformation

芦 Nous avons r茅duit le bruit en d茅terminant qui les gens 茅coutaient et quelles 茅taient les sources faisant autorit茅 禄, explique Renee Sieber, professeure agr茅g茅e au D茅partement de g茅ographie de l鈥橴niversit茅 不良研究所 et auteure principale de l鈥櫭﹖ude. 芦 Cette capacit茅 est importante, parce qu鈥檌l est assez difficile d鈥櫭﹙aluer la validit茅 de l鈥檌nformation publi茅e par les utilisateurs de Twitter. 禄

L鈥櫭﹒uipe a fond茅 son 茅tude sur des donn茅es provenant de Twitter en mars 2019, lors des inondations au Nebraska, aux 脡tats-Unis, qui avaient caus茅 des dommages sup茅rieurs 脿 un milliard de dollars et entra卯n茅 l鈥櫭﹙acuation massive de r茅sidents. Au total, plus de 1 200 gazouillis ont 茅t茅 analys茅s et class茅s.

芦 Gr芒ce 脿 l鈥檃nalyse des r茅seaux sociaux, on peut d茅terminer o霉 les gens obtiennent leurs informations durant un ph茅nom猫ne m茅t茅orologique extr锚me. L鈥檃pprentissage profond nous permet de mieux comprendre le contenu de cette information en classant des milliers de gazouillis dans des cat茅gories d茅finies, par exemple, 鈥渄ommages aux infrastructures et aux services publics鈥� ou 鈥渃ompassion et soutien 茅motionnel鈥� 禄, pr茅cise la P^re Sieber. Les chercheurs ont ensuite mis en place un mod猫le de classification par apprentissage profond 脿 deux niveaux 鈥� une premi猫re pour ce qui est de l鈥檌nt茅gration de ces m茅thodes d鈥檜ne fa莽on qui pourrait 锚tre utile aux gestionnaires de crise.

尝鈥櫭﹖耻诲别 met en 茅vidence certains probl猫mes relatifs 脿 l鈥檜tilisation de l鈥檃nalyse des m茅dias sociaux 脿 cette fin, en particulier son incapacit茅 脿 remarquer que les ph茅nom猫nes sont beaucoup plus contextuels que ne l鈥檃nticipaient les ensembles de donn茅es 茅tiquet茅es, comme CrisisNLP, et l鈥檃bsence d鈥檜n langage universel pour cat茅goriser les termes li茅s 脿 la gestion de crise.

L鈥檈xploration pr茅liminaire r茅alis茅e par les chercheurs a 茅galement r茅v茅l茅 que les appels 脿 l鈥檃ction des c茅l茅brit茅s occupaient une place pr茅dominante; ce fut effectivement le cas lors des inondations au Nebraska en 2019, lorsqu鈥檜n gazouillis du chanteur pop Justin Timberlake fut relay茅 par un grand nombre d鈥檜tilisateurs, bien qu鈥檌l ne s鈥檃v茅r芒t pas utile pour les gestionnaires de crise.

芦 Nos r茅sultats indiquent que le contenu de l鈥檌nformation varie selon le type d鈥櫭﹙茅nement, contrairement 脿 la croyance selon laquelle il y aurait un langage universel pour cat茅goriser la gestion de crise. Cela limite l鈥檜tilisation des ensembles de donn茅es 茅tiquet茅es 脿 seulement quelques types de ph茅nom猫nes, puisque les termes 脿 rechercher peuvent changer d鈥檜n ph茅nom猫ne 脿 l鈥檃utre. 禄

芦 Une grande quantit茅 des donn茅es sur la m茅t茅o publi茅es par le public dans les m茅dias sociaux semblent indiquer qu鈥檈lles peuvent fournir des renseignements importants lors de crises comme les temp锚tes de neige, les inondations et les temp锚tes de verglas. Nous explorons actuellement la possibilit茅 d鈥檃ppliquer ce mod猫le lors de diff茅rents types de crises m茅t茅orologiques et de rem茅dier aux lacunes des approches supervis茅es existantes en les combinant 脿 d鈥檃utres m茅thodes 禄, indique la P^re Sieber.

尝鈥櫭﹖耻诲别

L鈥檃rticle 芦 禄, par Renee Sieber et coll., a 茅t茅 publi茅 dans le Journal of Contingencies and Crisis Management.

尝鈥櫭﹖耻诲别 a 茅t茅 financ茅e par Environnement Canada.

L鈥橴niversit茅 不良研究所

Fond茅e en 1821 脿 Montr茅al, au Qu茅bec, l鈥橴niversit茅 不良研究所 figure au premier rang des universit茅s canadiennes offrant des programmes de m茅decine et de doctorat. Ann茅e apr猫s ann茅e, elle se classe parmi les meilleures universit茅s au Canada et dans le monde. 脡tablissement d鈥檈nseignement sup茅rieur renomm茅 partout dans le monde, l鈥橴niversit茅 不良研究所 exerce ses activit茅s de recherche dans deux campus, 11 facult茅s et 13 茅coles professionnelles; elle compte 300 programmes d鈥櫭﹖udes et au-del脿 de 40 000 茅tudiants, dont plus de 10 200 aux cycles sup茅rieurs. Elle accueille des 茅tudiants originaires de plus de 150 pays, ses 12 800 茅tudiants internationaux repr茅sentant 31 % de sa population 茅tudiante. Au-del脿 de la moiti茅 des 茅tudiants de l鈥橴niversit茅 不良研究所 ont une langue maternelle autre que l鈥檃nglais, et environ 19 % sont francophones.

听