Observatoire des médias sociaux en relations publiques

Fiches de lecture

Emergency-relief coordination on social media: Automatically matching resource requests and offers

Hemant Purohit, Carlos Castillo, Fernando Diaz, Amit Sheth, Patrick Meier. « Emergency-relief coordination on social media: Automatically matching resource requests and offers ». First Monday. Volume 19, Number 1 – 6 January 2014. En ligne. Consulté le 19 janvier 2014.

Résumé des auteurs

Disaster affected communities are increasingly turning to social media for communication and coordination. This includes reports on needs (demands) and offers (supplies) of resources required during emergency situations. Identifying and matching such requests with potential responders can substantially accelerate emergency relief efforts. Current work of disaster management agencies is labor intensive, and there is substantial interest in automated tools.

We present machine–learning methods to automatically identify and match needs and offers communicated via social media for items and services such as shelter, money, clothing, etc. For instance, a message such as “we are coordinating a clothing/food drive for families affected by Hurricane Sandy. If you would like to donate, DM us” can be matched with a message such as “I got a bunch of clothes I’d like to donate to hurricane sandy victims. Anyone know where/how I can do that?” Compared to traditional search, our results can significantly improve the matchmaking efforts of disaster response agencies.

Fiche de lecture réalisée par Sophie Chavanel

Mots-clés


Intervention d’urgence, intervention de crise, coordination de l’aide d’urgence, coordination de crise, coordination de dons, identification de demandes et d’offres d’aide, regroupement de demandes et d’offres d’aide.

Keywords


Emergency response; crisis response; disaster response; relief coordination; crisis coordination; donation coordination; request-offer identification; request-offer matching.

Mise en contexte


Cet article s’intéresse aux façons informatisées et automatisées de regrouper les demandes et offres d’aide manifestées sur les médias sociaux lors de catastrophes. Les auteurs avancent qu’en comparaison avec les méthodes traditionnelles, ces techniques peuvent améliorer significativement la réponse des différents acteurs impliqués lors de désastres.

Revue de littérature et cadre théorique


Les auteurs reconnaissent que les médias sociaux en contexte de crise reçoivent de plus en plus d’attention de la communauté de chercheurs mentionnant au passage les travaux d’Imran et al. (2013), sur l’extraction d’information intelligible des médias sociaux, lors d’un désastre, ceux de Pulrohit et al (2013) qui proposent une méthode pour réduire la surcharge d’information en contexte de crise et ceux de Starbird sur l’augmentation des communications sur Twitter lors de situations d’urgence. Bien que ces travaux apportent tous un éclairage pertinent pour observer la problématique de l’utilisation des médias sociaux à la suite d’un désastre, leur approche requiert des manipulations manuelles substantielles qui ne permettent pas de réagir avec la même rapidité avec laquelle l’information est générée en situation de crise.  

D’autres travaux qui portent sur la manipulation automatique de données se concentrent sur la détection d’événements (Mathoudakis et Koudas 2010), la visualisation ou la création de cartes (Banks et Hersman 2009) ou la compréhension des différentes facettes de l’information disponible (Imran et al. 2013 et Terpstra et al. 2012), mais ne se penchent pas spécifiquement sur la coordination des demandes et offres d’aide, lors de désastres.

Démarche méthodologique


En se penchant sur l’ouragan Sandy qui a frappé la côte Est des États-Unis en 2012, les auteurs proposent une démarche en quatre étapes pour automatiser le regroupement de demandes et d’offres d’aide. Selon cette étude, ces tweets constituent environ 5 % de tous ceux analysés. La démarche consiste d’abord à utiliser des groupes de volontaires (crowdsourcing workers) pour classer les tweets. Leur tâche consiste à déterminer si ces derniers sont liés au don de ressources. Ils classent ensuite les tweets selon le fait qu’ils constituent une demande d’aide, une offre d’aide. Enfin, les demandes et offres d’aide sont classées en fonction du type de ressources mentionnées: argent, vêtement, nourriture, etc.

Les tweets analysés sont recueillis en utilisant Twitter API comme outil de visualisation, en utilisant les mots clés (hash tag) les plus populaires du moment, par exemple : #sandy.

Finalement, après cette classification manuelle collective complétée, les auteurs utilisent un algorithme à base sémantique, similaire à celui utilisé par les agences de rencontre, pour regrouper les demandes et les offres d’aide selon leur pertinence mutuelle. 

Résultats


En se basant sur une démarche similaire à celle qui est utilisée par les sites de rencontres, les auteurs démontrent qu’en classant les tweets selon certaines variables (offre d’aide, demande d’aide) et en les identifiant automatiquement avec des métadonnées pour ensuite effectuer des regroupements (match), ils obtiennent un taux de pertinence allant d’acceptable à excellent avec une moyenne de 72%.

Discussion : pistes de réflexion


Une démarche d’automatisation est nécessaire dans l’ère actuelle de développement des usages des médias sociaux. Les médias sociaux constituent un outil permettent d’obtenir beaucoup plus rapidement l’information nécessaire pour la prise de décision lors d’un désastre. Cette information, qui à une autre époque, pouvait prendre des semaines à être récoltée, est maintenant accessible en temps réel. Elle comporte toutefois des défis en termes de collecte, d’analyse et de présentation des données sous un format intelligible pour la prise de décision. C’est exactement ce que cherchent à accomplir les auteurs avec cette démarche.

La démarche proposée qui se veut automatisée, bien qu’elle présente une piste de solution pour analyser le flot de données publié à la suite d’un désastre, implique une intervention humaine considérable, à travers la participation de volontaires. Bien qu’il ne s’agisse pas d’une lacune importante étant donné que la démarche produit le résultat espéré, cela ne représente pas exactement une démarche automatisée mais plutôt collective. Évidemment, l’une n’empêche pas l’autre.

Finalement, bien que des démarches quantitatives et automatisées soient nécessaires pour dresser un portrait intelligible dans le chaos d’information qui circule dans les médias sociaux, les recherches qualitatives sur le sujet sont nécessaires pour en comprendre les usages et pratiques derrière le contenu.