ROUGE : A database of disaster impacts in the Global South using Red Cross reports and Large Language Models
Dieses Paper stellt ROUGE vor, eine neue Datenbank für sozioökonomische Katastrophenfolgen im Globalen Süden, die Large Language Models nutzt, um detaillierte, nicht-monetäre Daten aus Berichten der Föderation des Roten Kreuzes und des Roten Halbmonds zu extrahieren und dadurch bestehende Lücken in der geografischen Abdeckung sowie Datenverzerrungen zu schließen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich die Welt als eine riesige, geschäftige Bühne vor, auf der die Natur gelegentlich einen Wutanfall bekommt. Manchmal ist es ein Sturm, der das Bühnenbild umwirft, eine Dürre, die die Requisiten austrocknet, oder ein Erdbeben, das die Dielen erschüttert. Seit Jahrzehnten versuchen Wissenschaftler und Helfer, eine Punktetabelle dieser Katastrophen zu führen, um zu verstehen, wie viel Schaden sie anrichten und wer davon betroffen ist. Aber hier liegt das Problem: Die Punktetabellen, die wir bisher haben, gleichen eher einer Bibliothek, in der nur die Bücher aus wohlhabenden Ländern in den Regalen stehen. Die Geschichten aus dem Globalen Süden – den ärmeren, oft verwundbareren Regionen – fehlen, und die Bücher, die wir haben, zählen meist nur den finanziellen Verlust, während die menschlichen Schicksale, die zerstörten Heime und die erkrankten Gemeinschaften ignoriert werden. Um dies zu beheben, brauchen wir eine Möglichkeit, Millionen von unordentlichen, handgeschriebenen Notizen und offiziellen Berichten zu lesen, um die verborgenen Geschichten von Leid und Erholung zu finden. Hier kommt eine neue Art von „Super-Leser“ ins Spiel: Large Language Models (LLMs). Betrachten Sie diese als unglaublich kluge KI-Detektive, die in der Lage sind, tausende Seiten Text in Sekunden zu lesen, Muster zu erkennen und spezifische Fakten herauszuziehen, die ein Mensch ein Leben lang suchen würde. Indem sie diese KI-Detektive lehren, Katastrophenberichte zu lesen, hoffen Wissenschaftler, ein vollständiges, faires Bild davon zu zeichnen, wie Naturgefahren die Menschen weltweit tatsächlich beeinflussen.
Hier kommt ROUGE ins Spiel, eine neue Datenbank, die von einem Forscherteam entwickelt wurde, das beschlossen hat, nicht mehr zu raten, sondern die echten Geschichten zu lesen. Sie nahmen einen riesigen Stapel offizieller Berichte des Internationalen Verbandes der Rotkreuz- und Roten Halbmond-Gesellschaften (IFRC) – dem globalen Netzwerk von Rotkreuz-Freiwilligen, die nach Katastrophen zur Hilfe eilen – und fütterten einen KI-Detektiv damit. Diese Berichte, die seit 1919 von Helfern vor Ort verfasst wurden, sind voller Details darüber, was passiert ist, wer verletzt wurde und was zerstört wurde, aber sie sind in Fließtext geschrieben, nicht in ordentlichen Tabellen. Die Forscher nutzten ein spezielles KI-Modell (genannt meta-llama/llama-4-scout-17b-16e-instruct), das als digitaler Archäologe fungierte, um durch 2.610 Berichte aus den Jahren 2016 bis 2025 zu graben und 15.147 spezifische Wirkungsdatensätze zu extrahieren.
Das Ergebnis ist eine Schatzkarte der Katastrophenfolgen, die 776 einzigartige Ereignisse in 145 Ländern abdeckt. Im Gegensatz zu älteren Datenbanken, die meist auf Geld fokussiert sind oder nur auf Länderebene betrachten, zoomt ROUGE tiefer hinein. Es erfasst 20 verschiedene Arten von Auswirkungen, die von den offensichtlichen (wie „Tote Menschen“ oder „Verletzte Personen“) bis hin zu den oft übersehenen (wie „Obdachlose“, „Informelle Siedlungen“ oder „Zugang zu Nahrung“) reichen. Es verfolgt sogar, wie Katastrophen Dinge wie Schulen, Krankenhäuser und Stromnetze beeinflussen. Das Team fand heraus, dass Überschwemmungen und Stürme die häufigsten Unruhestifter in ihrem Datensatz sind und dass Afrika und Asien die Regionen sind, in denen diese Auswirkungen in der neuen Datenbank am stärksten dokumentiert sind.
Die Forscher sind jedoch vorsichtig damit, dies als eine perfekte, magische Lösung zu behaupten. Sie geben zu, dass KI manchmal Fehler machen kann, wie etwa ein Datum zu erraten, das gar nicht da war, oder zwei ähnlich klingende Orte zu verwechseln. Um sicherzustellen, dass ihre Arbeit Bestand hat, haben sie die KI gegen einen „Goldstandard“-Satz von Berichten getestet, die von Menschen manuell gelesen und etikettiert wurden. Die Ergebnisse zeigten, dass die KI etwa drei Viertel der Fakten richtig wiedergab (ein Präzisions- und Recall-Wert von etwa 0,73). Sie war besonders gut darin, qualitative Geschichten zu finden (wie „Menschen wurden vertrieben“), hatte aber manchmal Schwierigkeiten mit dichten Listen von Zahlen. Sie verglichen ihre neuen Daten auch mit bestehenden Datenbanken wie EM-DAT und IFRC GO und stellten fest, dass ROUGE oft Zahlen fand, die die anderen übersahen – insbesondere bei Themen wie „Vermisste Personen“ oder „Obdachlose“, wo die neue Datenbank für bis zu 92 % der von ihr abgedeckten Ereignisse einzigartige Daten lieferte.
Das Paper legt nahe, dass diese neue Datenbank zwar ein mächtiges Werkzeug ist, um die Lücken in unserem globalen Katastrophenwissen zu schließen, sie aber keinen Ersatz für menschliches Urteilsvermögen darstellt. Die Forscher bauten ein System von „Qualitätsflaggen“, um Nutzer zu warnen, wenn die KI sich unsicher war oder wenn ein Datensatz ein fehlendes Datum oder einen fehlenden Ort aufwies. Sie ermutigen jeden, der die Daten nutzt, die Originaltextstellen zu überprüfen, falls etwas verdächtig erscheint. Letztendlich deutet ROUGE darauf an, dass wir, indem wir die unermüdliche Lesekraft der KI mit den reichen, vor Ort gesammelten Geschichten des Roten Kreuzes kombinieren, endlich ein vollständiges, ungefiltertes Bild davon erhalten können, wie Naturkatastrophen die verwundbarsten Gemeinschaften der Welt beeinflussen – und dabei über das bloße Zählen von Dollars hinausgehen, um Leben und Lebensgrundlagen zu zählen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.