传统方法 vs 大语言模型
传统人工调查
优势
权威可靠、数据准确
劣势
耗费人力物力、时效性差、信息公开有限
大语言模型
优势
高效快速、近实时、多维度分析
应用
传统调查的重要补充工具
DeepSeek-R1-0528模型
Large Language Model for Disaster Assessment
采用DeepSeek-R1-0528大语言模型，通过提示词工程引导模型从新闻文本中提取结构化的洪涝灾害影响信息。
强大NLP能力
自然语言处理与理解
泛化能力
无需针对性训练
高效提取
快速处理海量文本
三阶段研究框架
阶段① 数据预处理
检索策略
DeepSeek设计检索关键词
数据获取
慧科数据库获取新闻
去重处理
TF-IDF算法去重
阶段② 信息提取与效果评估
测试数据集
50篇人工标注新闻
参数优化
重复实验优选温度参数
信息提取
提取灾害影响信息
阶段③ 影响评估与验证
分类体系
18个维度影响分类
对比验证
官方统计数据验证
动态演变
灾情演变过程展现
18维度影响分类体系
构建涵盖18个维度的经济社会影响分类体系，全面评估洪涝灾害的多维度影响。
人员影响
- • 人员伤亡
- • 人员受困
- • 人员转移
- • 人员失联
基础设施
- • 交通中断
- • 电力中断
- • 通讯中断
- • 供水中断
生产影响
- • 农田淹没
- • 工业停产
- • 商业停业
- • 房屋损毁
救援行动
- • 应急响应
- • 救援行动
- • 物资调配
- • 安置工作
社会服务
- • 学校停课
- • 医疗影响
提示词工程
通过提示词（Prompt）引导模型输出结构化的灾害影响信息，包含影响地点、发布时间、具体影响类型三要素。
角色定义
赋予模型基本角色
任务定义
定义信息抽取任务
输入文本
提供新闻正文
输出格式
JSON结构化输出
实验结果
从10,556篇新闻文本中提取出14,778条洪涝灾害影响信息，模型性能表现优异。
模型性能指标
准确率（Accuracy）
0.91
中位数
F1分数
0.73
中位数
验证结果
与官方数据相关性
0.68
相关系数
空间分布一致性
高度吻合
与十大自然灾害受灾地区
典型案例分析
2024年4月粤北暴雨洪涝
受灾地区
清远、韶关
演变过程
有效捕捉灾情动态演变
焦点转变
从灾中抢险到灾后恢复
2024年6-7月湖南岳阳洪涝
受灾地区
湖南岳阳
时间跨度
6月至7月初
动态监测
展现灾情演变全过程
评价指标体系
准确率
Accuracy
正确识别占比
精确率
Precision
提取准确度
召回率
Recall
提取完整度
F1分数
F1 Score
综合评价