Nghiên cứu đăng trên EPJ Data Science kiểm tra việc sử dụng bài đăng mạng xã hội để cung cấp cảnh báo sớm về các dòng di cư trong xung đột và thiên tai. Mục tiêu là cải tiến công cụ dự đoán khi nào và ở đâu người dân sẽ di chuyển, nhằm củng cố phản ứng nhân đạo. Tác giả nhấn mạnh rằng dữ liệu truyền thống như khảo sát rất khó thu thập trong khủng hoảng di cư cưỡng bức.
Nhóm nghiên cứu phân tích gần 2 triệu bài đăng trên X bằng ba ngôn ngữ và so sánh ba trường hợp thực nghiệm:
- Ukraine: 10.6 triệu người bị di dời sau cuộc xâm lược của Nga vào năm 2022.
- Sudan: khoảng 12.8 triệu người bị di dời sau nội chiến nổ ra vào tháng 4 năm 2023.
- Venezuela: khoảng 7 triệu người đã bị di dời vì nhiều cuộc khủng hoảng kinh tế.
Kết quả cho thấy nhãn cảm xúc tổng quát (tích cực, tiêu cực, trung tính) là tín hiệu đáng tin cậy hơn để dự đoán khi nào người dân có khả năng di chuyển, còn nhãn cảm xúc cụ thể có giá trị trong dự báo thời điểm và khối lượng vượt biên. Các mô hình ngôn ngữ được huấn luyện trước, vốn được đào tạo trên lượng lớn văn bản bằng học sâu, là công cụ cảnh báo sớm hiệu quả nhất. Nhóm lưu ý rằng phương pháp hoạt động tốt hơn trong bối cảnh xung đột như Ukraine và kém hiệu quả hơn ở khủng hoảng kinh tế phát triển chậm như Venezuela, đồng thời cảnh báo nguy cơ báo động sai và khuyên nên kết hợp với dữ liệu truyền thống như chỉ số kinh tế và báo cáo tại hiện trường.
Nghiên cứu đề xuất mở rộng sang nhiều ngôn ngữ hơn bằng dịch tự động, thêm dữ liệu từ các mạng xã hội khác và nghiên cứu mối liên hệ giữa cảm xúc tổng quát và cảm xúc cụ thể. Nghiên cứu được tài trợ bởi National Science Foundation và Massive Data Institute; nguồn: University of Notre Dame.
Từ khó
- cảnh báo sớm — thông báo trước về nguy cơ hoặc sự kiện
- dòng di cư — sự di chuyển số lớn người qua vùng
- di dời — bị chuyển khỏi nơi ở, thường vì nguy hiểm
- nhãn cảm xúc — những nhãn cho biết thái độ tích cực hay tiêu cực
- mô hình ngôn ngữ — hệ thống máy học xử lý và tạo văn bản
- báo động sai — cảnh báo không đúng gây lo lắng vô căn cứ
- thu thập — gom hoặc lấy dữ liệu để phân tích
Mẹo: di chuột, dùng phím Tab hoặc chạm vào các từ được tô sáng trong bài để xem định nghĩa nhanh ngay khi bạn đọc hoặc nghe.
Câu hỏi thảo luận
- Theo bài, tại sao phương pháp hoạt động kém hiệu quả hơn ở khủng hoảng kinh tế phát triển chậm như Venezuela? Hãy nêu vài lý do.
- Làm thế nào việc kết hợp dữ liệu truyền thống (ví dụ chỉ số kinh tế, báo cáo tại hiện trường) có thể giảm nguy cơ báo động sai?
- Việc mở rộng sang nhiều ngôn ngữ bằng dịch tự động và thêm dữ liệu từ các mạng xã hội khác có thể cải thiện dự báo như thế nào? Hãy cho ví dụ cụ thể.
