CrisisSense-LLM: Instruction Fine-Tuned Large Language Model for Multi-label Social Media Text Classification in Disaster Informatics

在危机/灾害信息学领域，社交媒体越来越多地被用于提高情境感知，以指导响应和救援工作。高效准确的文本分类工具一直是危机信息学研究的重点领域。然而，目前的方法主要依赖于单标签文本分类模型，无法捕捉动态和多方面的灾害相关社交媒体数据中嵌入的不同见解。本研究通过针对灾害相关推文的多标签分类进行指令微调，增强了预训练的大型语言模型（LLM）的灾害文本分类的新方法。我们的方法包括从灾害相关推文中创建全面的指令数据集，然后用它来微调开源的LLM，从而嵌入了灾害特定的知识。这个微调模型可以同时分类灾害相关信息的多个方面，例如事件类型、信息性和人类援助的参与度，显著提高了社交媒体数据在灾难情境中的情境感知效用。结果表明，这种方法增强了社交媒体帖子中关键信息的分类，从而在紧急情况下促进了更有效的情境感知部署。这项研究为更先进、适应性更强、更健壮的灾害管理工具铺平了道路，利用LLM的能力提高了灾难情境下实时情境感知和响应策略的能力。

本论文旨在解决单标签文本分类模型无法捕捉多维动态灾害相关社交媒体数据中不同见解的问题，提出了一种基于预训练大型语言模型的多标签分类方法。

本论文的关键思路是通过创建一个包括多种灾害相关信息的全面指令数据集，用于微调开源的大型语言模型，从而将其嵌入到灾害特定的知识中。这种经过微调的模型可以同时分类灾害相关信息的多个方面，从而显著提高社交媒体数据在灾害情况下的情境感知效用。

论文使用了灾害相关推文数据集进行实验，并通过比较多种模型的表现来验证其方法的有效性。实验结果表明，该方法可以提高从社交媒体帖子中分类关键信息的能力，从而在紧急情况下促进更有效的部署和情境感知。论文还提供了开源代码和数据集，以便其他研究人员进行进一步的研究。

近期在这个领域中的相关研究包括：'A Survey on Deep Learning Techniques for Named Entity Recognition in Social Media Data'，'A Deep Learning Framework for Disaster Type Classification Based on Social Media Data'等。