Monitoring Critical Infrastructure Facilities During Disasters Using Large Language Models

本文探讨了大型语言模型（LLMs）在通过社交媒体网络传播的信息监测受自然灾害影响的关键基础设施设施（CIFs），如医疗和交通设施，特别是在大规模紧急情况下，这些设施对社区的运行至关重要的潜在应用。为此，我们分析了两个不同国家的两个灾难事件的社交媒体数据，以确定CIFs报告的影响以及它们的影响严重程度和运营状态。我们使用最先进的开源LLMs执行计算任务，包括检索、分类和推理，全部在零-shot设置下进行。通过广泛的实验，我们使用标准评估指标报告了这些任务的结果，并揭示了LLMs的优势和不足之处。我们注意到，尽管LLMs在分类任务中表现良好，但在推理任务中遇到挑战，特别是当上下文/提示复杂且冗长时。此外，我们概述了各种潜在的未来探索方向，这些方向在LLMs用于灾难响应任务的初始采用阶段可能是有益的。

本论文旨在探讨利用大型语言模型（LLMs）通过社交媒体网络中传播的信息来监测受自然灾害影响的关键基础设施设施（CIFs）的状况，以及它们的影响严重程度和运营状态。

论文采用开源LLMs进行计算任务，包括检索、分类和推理，全部在零样本设置下进行。通过大量实验，报告了使用标准评估指标的这些任务的结果，并揭示了LLMs的优点和缺点。尽管LLMs在分类任务中表现良好，但在推理任务中遇到挑战，特别是当上下文/提示复杂而冗长时。

论文分析了两个不同国家的两个灾难事件的社交媒体数据，以识别对CIFs的影响以及它们的影响严重程度和运营状态。实验结果表明LLMs在分类任务中表现出色，但在推理任务中遇到挑战。论文还提出了未来探索的各种潜在方向，这些方向可以在LLMs用于灾难响应任务的初始采用阶段中受益。

最近的相关研究包括使用深度学习方法来处理社交媒体数据以进行灾难响应。例如，有关使用卷积神经网络（CNN）和递归神经网络（RNN）的研究，以及使用迁移学习和强化学习的研究。