Penelitian di EPJ Data Science mengevaluasi apakah analisis unggahan media sosial dapat menjadi peringatan dini yang berguna untuk pergerakan penduduk saat krisis. Tim menelaah tiga studi kasus besar — Ukraina, Sudan, dan Venezuela — dan hampir 2 juta unggahan di X (sebelumnya Twitter) dalam tiga bahasa. Studi ini bertujuan memperbaiki alat prediksi yang membantu badan kemanusiaan merespons lebih cepat ketika survei dan data lapangan sulit dikumpulkan.
Hasil utama menunjukkan label sentimen lebih andal daripada label emosi untuk meramalkan waktu dan volume pergerakan lintas batas. Model bahasa yang telah dilatih sebelumnya, yang menggunakan pembelajaran mendalam pada jumlah teks besar, memberi peringatan dini paling efektif. Metode ini bekerja lebih baik di situasi konflik cepat, seperti di Ukraina, dan kurang berhasil pada krisis ekonomi yang berkembang lebih lambat, seperti di Venezuela.
Para peneliti memperingatkan risiko alarm palsu dan menekankan bahwa analisis media sosial paling bernilai bila dipakai sebagai pemicu awal yang dikonfirmasi dengan data tradisional, misalnya indikator ekonomi dan laporan dari lapangan. Studi ini juga mengusulkan langkah kerja lanjut: eksplorasi hubungan antara sentimen dan emosi, penggunaan terjemahan otomatis untuk menjangkau lebih banyak bahasa, dan penambahan data dari jaringan media sosial lain.
- Sumber pendanaan termasuk National Science Foundation.
- Dana juga berasal dari Massive Data Institute, Georgetown University.
- Sumber penelitian: University of Notre Dame.
Kata-kata sulit
- evaluasi — menilai sesuatu secara sistematis untuk melihat hasilnyamengevaluasi
- peringatan dini — sinyal awal yang memberi tahu tentang kemungkinan bahaya
- pergerakan — perpindahan orang dari satu tempat ke tempat lain
- unggahan — konten yang diposting ke media sosial atau situs
- sentimen — perasaan atau sikap umum terhadap suatu topik
- pembelajaran mendalam — teknik kecerdasan buatan dengan jaringan saraf besar
- alarm palsu — sinyal bahaya yang ternyata tidak terjadi
- indikator ekonomi — angka atau data yang menunjukkan kondisi ekonomi
Tips: arahkan kursor, fokus, atau ketuk kata yang disorot di dalam teks untuk melihat definisi singkat sambil membaca atau mendengarkan.
Pertanyaan diskusi
- Bagaimana badan kemanusiaan bisa menggabungkan analisis media sosial dengan data tradisional untuk merespons krisis? Berikan contoh langkah konkret.
- Apa keuntungan dan keterbatasan menggunakan model bahasa yang dilatih sebelumnya saat situasi krisis bergerak cepat? Jelaskan dengan alasan.
- Apa tantangan yang mungkin muncul jika peneliti menambahkan data dari jaringan media sosial lain dan menggunakan terjemahan otomatis?
Artikel terkait
Headphone Pintar Memisahkan Suara Mitra di Tempat Bising
Sebuah tim mengembangkan headphone pintar yang memakai kecerdasan buatan untuk mengikuti ritme percakapan dan mengisolasi suara mitra sehingga lebih mudah didengar di tempat bising. Prototipe dipresentasikan di Suzhou dan kode sumbernya tersedia untuk diunduh.
Model Bahasa Mengubah Penilaian Berdasarkan Identitas Pengarang
Peneliti University of Zurich menemukan bahwa large language models mengubah penilaian teks ketika diberi tahu siapa pengarangnya. Tanpa sumber, model sering sepakat, tetapi menyebut pengarang memicu bias, termasuk bias anti-Cina.
Indonesia Perketat Aturan Platform Digital
Pemerintah Indonesia memperketat pengaturan platform digital dan menuntut transparansi moderasi konten. Aturan memberi wewenang menghapus konten dan memblokir platform, namun kritik mengatakan ketentuan itu masih kabur dan bisa mengganggu kebebasan berbicara.
Bactery: Baterai dari Bakteri Tanah untuk Pertanian
Spin-out dari University of Bath mengembangkan Bactery, baterai yang memanfaatkan bakteri tanah untuk memberi daya sensor dan perangkat IoT di lahan pertanian dengan pasokan listrik sulit. Prototipe diuji sejak 2019 dan perusahaan menargetkan produksi kecil tahun 2026.