[論文レビュー] "Breaking" Disasters: Predicting and Characterizing the Global News Value of Natural and Man-made Disasters

Armineh Nourbakhsh, Quanzhi Li+2 more|arXiv (Cornell University)|Sep 7, 2017

Public Relations and Crisis Communication被引用数 6

ひとこと要約

本論文では、トピック、範囲、影響、場所などの特徴を用いて、Twitterで報告された地域的災害が24時間以内にグローバルメディアで取り上げられるかどうかを予測する機械学習モデルを提案する。全特徴量を用いた場合、F1スコアは83.24%に達し、トピックと国コードがグローバルな報道価値の予測において最も強い予測要因であることが示された。

ABSTRACT

Due to their often unexpected nature, natural and man-made disasters are difficult to monitor and detect for journalists and disaster management response teams. Journalists are increasingly relying on signals from social media to detect such stories in their early stage of development. Twitter, which features a vast network of local news outlets, is a major source of early signal for disaster detection. Journalists who work for global desks often follow these sources via Twitter's lists, but have to comb through thousands of small-scale or low-impact stories to find events that may be globally relevant. These are events that have a large scope, high impact, or potential geo-political relevance. We propose a model for automatically identifying events from local news sources that may break on a global scale within the next 24 hours. The results are promising and can be used in a predictive setting to help journalists manage their sources more effectively, or in a descriptive manner to analyze media coverage of disasters. Through the feature evaluation process, we also address the question: "what makes a disaster event newsworthy on a global scale?" As part of our data collection process, we have created a list of local sources of disaster/accident news on Twitter, which we have made publicly available.

研究の動機と目的

• 24時間以内にグローバルメディアが報じる可能性がある、Twitter上での地域的災害報告を特定する予測モデルを開発すること。
• 自然災害および人的災害のグローバル報道価値を決定づける要因となる特徴を特定すること。
• 高影響度の地域的報道を優先的に扱うために、記者が潜在的なグローバルニュースとしての早期特定を自動化することによる支援をすること。
• 報道バイアスや報道パターンの分析を通じて、どの報道特徴がグローバルメディアの注目を引きつけるかを特定すること。
• 研究およびアプリケーション利用を目的として、地域的災害報道ソースのリストを収集・公開すること。

提案手法

• 災害報告のツイートから抽出された特徴量を用いてトレーニングされたサポートベクターマシン（SVM）分類器を用いる。
• 特徴には、トピック（例：テロ、地震）、範囲（影響を受ける人の数など）、影響（死亡者数、インfra構造損傷など）、レアリティ、場所（国コード）が含まれる。
• テキスト特徴は名前付きエンティティ認識および語彙的分析を用いて抽出され、重度を示す形容詞（例：「壊滅的」）も含む。
• 正例データはロイター・ニュースアラートからの基準値を用い、18件の検証済み災害イベントのデータセット上でモデルをトレーニングおよび評価した。
• 特徴の重要度はモデルの重みを用いて評価され、タイムリーさは2017年7月のライブフィードを用いてテストした。
• 予測ターゲットから独立させるために、先行したメディア露出に依存しないように設計された。

実験結果

リサーチクエスチョン

• RQ1 災害イベントのどの特徴が24時間以内にグローバルメディアで報じられるかどうかを最も強く予測するか？
• RQ2 地域的災害報告のTwitter上での発信時刻とグローバルメディア報道時刻との間のリードタイムはどの程度か？
• RQ3 影響、範囇、場所が、災害がグローバルメディアで報じられる可能性にどの程度影響を与えるか？
• RQ4 一部の高影響災害は、地域メディアで報じられているにもかかわらず、なぜグローバルメディアで注目されないのか？
• RQ5 事前にメディア露出がなければ、ローカルSNSの信号に基づくモデルがグローバル報道価値を信頼性高く予測できるか？

主な発見

• 全特徴量を用いた場合、F1スコアは83.24%に達し、グローバル報道価値の予測性能が優れていることが示された。
• トピックと国コードが最も影響力のある特徴であり、特にグローバルで報じられた（マッチした）クラスにおいて、トピックが最も寄与した。
• 人命への影響は、マッチしなかった（グローバルで報じられなかった）イベントの予測においてより強い予測要因であった。これは、初期段階のツイートでは影響が遅れて報告される傾向があるためと考えられる。
• 本システムはロイターを上回るタイミング性能を示し、平均27分のリードタイムを達成し、44%の確率でロイターを上回った。
• レアリティは予測力が限定的であり、共通な紛争関連イベントでもグローバルメディアが一貫して報じる傾向があるためと考えられる。
• 本モデルは先行メディア露出に依存しないため、ジャーナリストのワークフロー支援、バイアス分析、メディア機関別モデリングへの応用が可能である。