Monitoring Critical Infrastructure Facilities During Disasters Using Large Language Models

本文是LLM系列文章，针对《Monitoring Critical Infrastructure Facilities During Disasters Using
Large Language Models》的翻译。

摘要

关键基础设施（CIF），如医疗保健和交通设施，对社区的运作至关重要，特别是在大规模紧急情况下。本文探讨了大型语言模型（LLM）的潜在应用，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CIFs的状态。为此，我们分析了来自两个不同国家的两起灾难事件的社交媒体数据，以确定对独立国家中心报告的影响及其影响严重程度和运行状态。我们采用最先进的开源LLM来执行计算任务，包括检索、分类和推理，所有这些都在零样本环境中进行。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LLM的优缺点。我们注意到，尽管LLM在分类任务中表现良好，但它们在推理任务中遇到了挑战，特别是在上下文/提示复杂冗长的情况下。此外，我们还概述了未来探索的各种潜在方向，这些方向在LLM用于灾难响应任务的初始采用阶段可能是有益的。

1 引言

2 相关工作

3 方法

4 结果

5 讨论

6 局限性和未来工作

7 结论

在这项研究中，我们研究了大型语言模型在大规模灾害期间监测一个地区关键设施运行状态的应用。我们利用来自X（以前的推特）的两个不同位