Machine learning of social media data on a spatio-temporal basis

Makine öğrenimi algoritmaları, son yıllarda çok miktarda sosyal medya verisini analiz etmek ve bu verilerden değerli bilgiler çıkarmak için kullanılan yöntemlerde büyük ölçüde devrim yarattı. Araştırmacılar, özellikle deprem gibi doğal afetlerde insan davranışlarını, tepkilerini ve duygularını daha iyi anlamak için bu algoritmalardan yararlanabilmektedirler. Sosyal medya verilerinin hem mekan hem de zaman açısından analiz edilmesi son derece önemlidir. Depremlerle ilgili sosyal medya verilerinde makine öğreniminin uzay-zamansal bir şekilde kullanılması, coğrafi etiketli gönderileri ve gerçek zamanlı tartışmaları değerlendirerek erken tespit ve hızlı müdahaleyi sağlayarak kaynakların tahsis edilmesine ve hızlı müdahale edilmesine olanak tanır. Ayrıca, bireyler veya gruplar arasındaki iletişimi geliştirir ve duyguların analizi, uzun vadeli iyileşme stratejileri ve coğrafi hasar kalıpları hakkında değerli ve önemli veriler sunarak doğal afetlere dayanmayı ve bu afetlerden kurtulmayı destekler. Bu çalışma, deprem sonrası acil durumlar ve ihtiyaçlar hakkında bilgi elde etmek için sosyal medya verileri aracılığıyla kitle kaynak kullanımından yararlanmaktadır. Yarı denetimli yöntem kullanılarak veriler, tespitte yüksek doğruluk seviyesine ulaşmak için kurtarma veya kurtarma dışı veriler olarak etiketlenmiştir. Deprem sonrası kurtarma durumları, gönderiler tarafından sağlanan konum ve zaman bilgileri ile mekansal ve zamansal olarak tespit edilmektedir. Türkiye'nin Güneydoğusu'nda 6 Şubat 2023 tarihinde 7,7 Mw ve 7,6 Mw büyüklüğünde iki yıkıcı deprem meydana gelmiş, 53.537 kişi ölmüş, 107.213 kişi yaralanmış, çok sayıda bina hasar görmüştü. 6 Şubat'tan 28 Şubat 2023'e kadar bu depremlerle ilgili toplam 2,5 milyon gönderi X platformu üzerinden toplanmıştır. Sınıflandırma amacıyla toplam 9 tane BERT dil modeli kullanılmıştır. Sınıflandırma işlemlerini gerçekleştirmek için Lojistik Regresyon, Destek Vektör Makineleri, Karar Ağacı, Multinomial Naïve Bayes ve XGBoost gibi denetimli öğrenme yöntemleri uygulanmıştır. Ayrıca veriseti Evrişimli Sinir Ağları, Derin Sinir Ağları ve Uzun Kısa-Süreli Bellek gibi derin öğrenme yöntemleriyle de işlenmiştir. Etkin çözümlerin zamanında ve doğru şekilde karşılanması ancak yardım, kurtarma ve acil durum taleplerinin zamanında ve doğru anlaşılması ile mümkündür. Bu nedenle, her bir veri kümesinin temel kelimeleri, acil malzemeleri zamanında ve açık bir şekilde belirlememize ve korumayı doğru zamanda kullanmamıza olanak sağlayacak şekilde, uzay-zamansal dinamiklerin kapsamlı bir şekilde incelenmesiyle belirlenmiştir. Kurtarma ve kurtarma dışı durumların tespitine yönelik verilerin doğruluğu karşılaştırılmış ve koordinasyon amaçlarına yönelik tehlike durumlarını ve acil durum ihtiyaçlarını belirlemek için afetin yarattığı yıkım ve tahribat ile ilgili anahtar kelimeler çıkarılmıştır. Kurtarma ve kurtarma dışı sınıfların tespitine yönelik derin öğrenme ve BERT modelleri, duyarlılıkta sırasıyla 0,8912 ve 0,9792 seviyelerine ulaşmıştır. Bu çalışma, özellikle doğal afetler gibi acil senaryolarda sosyal medya verilerinden değerli ve uygulanabilir bilgiler elde etmede makine öğrenimi, derin öğrenme ve doğal dil işleme konularının önemini vurgulamaktadır. Bunu, Türkiye'de deprem sonrasında meydana gelen değişen modellerin kapsamlı bir şekilde anlaşılmasını sağlayarak, hem mekansal hem de zamansal faktörleri analize dahil ederek sağlamaktadır. Sonuçlar, afetlerle bağlantılı verilerin sınıflandırılmasında modellerin etkinliğini göstermektedir.