災難發生後,最忌諱現場訊息過於片段,導致黃金72小時的救援成效不彰。無奈的是,電視媒體常以大量變化的分鏡與攝影手法「反覆呈現」災難事件的片段,讓單純事件變得碎裂且複雜,再現的(新聞)影像不再是事件的原貌,導致讓救援團隊與民眾產生偏差認知,甚至是影響後續救援活動成效。
為有效改善上述狀況,臺灣科技大學教授羅乃維偕同該校與東華大學、政治大學、華夏科技大學等跨領域團隊成員,一同打造「災情幫幫忙」APP與反應災難現況的整合式防災救援平台,透過巨量資料分析技術確保這些資訊的準確性,最後,以視覺化的圖像介面呈現彙整分析後的資訊,協助政府等公部門單位快速掌握社群網路媒體上的災防事件與輿論走勢,擬定因應對策。
透過整合式防災救援平台的自動化擷取模組,系統得以快速擷取來自 PTT 與 Facebook 的災情資訊,以事件分類模組分類災防事件,並且以地點資訊萃取模組自動在地圖上標記事件發生地點;另外,為有效辨識與分析社群輿論的情緒,研究團隊更進一步透過人工標記建立可以用來區分正負面情緒的程度的詞彙庫,即時分析輿論內容,隨時掌握最新防災動態。
為確保從社群媒體所取得災害資訊的正確性,災情幫幫忙行動APP讓民眾可以上傳災情狀況與地點等資訊,作為訓練災防事件正確判定模組的數據資料,確保系統不會因為擷取到的社群媒體資料不正確而陷入分析謬區。
透過整合式防災救援平台與災情幫幫忙行動APP,除有助於政府等救災團隊在第一時間取得災情資訊以擬定適切的救災策略與行動,以及即時掌握輿情趨勢,相關單位還可以透過分析、比對颱風與地震等歷史資料的方式預測與防禦災害,更重要的是,可以進一步跟其他資料庫的數據資料進行交叉比對與分析,萃取出更多的有價資訊。
舉例來說,透過串聯、交叉分析與比對整合式防災救援平台跟氣候與疾病等國家級資料庫的方式,將有機會找出災情、氣候與疾病的(隱藏)關聯,事先做好防護準備,有效降低災害與疾病的發生率。