The Course of News Events: A Comparison of Bottom-Up and Top-Down Approaches for Collecting Text-Based Data about Disasters

技術要約：ニュース・イベントの経過

問題提起
社会環境研究において、ニュース記事は災害の影響や適応を理解するための重要な情報源である。しかし、根本的な方法論的課題は、代表的なデータサンプルを選択することにある。研究者は通常、2つのアプローチのいずれかに依存している。一つは、既存の災害インベントリ（例：EM-DAT）を正解（グラウンド・トゥルース）としてニュースデータベースにクエリを投げるトップダウン型であり、もう一つは、自然言語処理（NLP）を用いて時間的および空間的特徴に基づいてニューステキストをクラスタリングするボトムアップ型である。両方のアプローチには固有の限界がある。トップダウン型はインベントリに記録されていないイベントを見落とし、ボトムアップ型は特定のメディアにとって「ニュース価値がない」と見なされたイベントを捉えたり、偽陽性を生成したりする可能性がある。本論文では、これらの設計上の決定が、結果として得られるニュースサンプル、特にメディアの不平等、災害モニタリング、およびインベントリの拡充に関する研究に影響を与える「イベントの網羅性」にどのように影響するかを調査する。

手法
本研究では、2000年から2024年の間に世界中で発生した地滑りに関する約55,000件のドイツ語ニュース記事のデータセットを使用する。分析では、2つのイベント・マッチング戦略を比較する：

1. ボトムアップ型アプローチ： Madureiraら（2026）による先行研究に基づき、この手法は152カ国における4,567件のニュースイベントを特定する。「ニュースイベント」は、同一国における地滑りに言及する一連の記事のシーケンスとして定義され、最初の報道日を開始日とし、報道が途絶えてから$\theta = 5$日間連続して報道がない場合に終了するものとする。
2. トップダウン型アプローチ： この手法は、EM-DATインベントリから抽出された2,014件の地滑りイベントを使用する。EM-DATの開始日に関連する特定の時間窓内でニュースデータベースに対してクエリを実行する。

イベント・マッチング手順
両者を比較するために、著者らは$\Delta_b$（前日）および$\Delta_a$（後日）のパラメータを用いた時間的整合戦略（図2に図示）を採用している：

• ボトムアップ型のアライメント： EM-DATのエントリが、ニュースイベントの開始日から$[\Delta_b, \Delta_a]$の範囲内に開始日を持つ場合、アライメントされているとみなされる。このアプローチでは、ニュースは公式の開始日よりもわずかに前に報道されることはあるが、最初の報道の後に報道されることは稀であるため、$\Delta_b = 5$および$\Delta_a = 1$としている。
• トップダウン型クエリ： 各EM-DATエントリに対し、システムは$[\Delta_b, \Delta_a]$のウィンドウ内のニュースデータベースに対してクエリを実行する。ここでは、国際的なニュース報道の遅れや、開始日の潜在的な誤りを考慮し、$\Delta_b = 1$および$\Delta_a = 5$としている。

主な結果
比較の結果、2つのデータセット間に顕著な非単射的な重複が明らかになった：

• 網羅性の相違： ボトムアップ型アプローチは、EM-DATインベントリ（2,014件）の2倍以上のイベント（4,567件）を特定した。しかし、ボトムアップ型のニュースイベントのうち、EM-DATのエントリと時間的に整合したのはわずか16.1%（737件）であった。逆に、トップダウン型クエリは、EM-DATのエントリの42.2%（851件）に対してニュースの取得に成功した。
• 相互排他性：
  • EM-DATイベントの**57.7%**は、ドイツ語データベースに関連するニュース報道が存在しなかった（空のクエリ）。
  • ボトムアップ型のニュースイベントの**82.9%**は、EM-DATのエントリと整合しなかった。
• 空間的および経済的バイアス： 得られたサンプルは分布において大きく異なる。ボトムアップ型アプローチはイベントの**54.3%をグローバル・サウスに割り当てたのに対し、トップダウン型クエリは81.4%をグローバル・サウスに割り当てた。逆に、ボトムアップ型のイベントの47.7%が高所得国に関するものであったのに対し、トップダウン型では20.6%**であった。
• コンテンツの妥当性： 150件以上のボトムアップ型イベントの目視検証により、その多くが特定の進行中の災害を表していないことが判明した。カテゴリーには、「具体的だが過去のもの」（回想、司法判断）、「不定形」（一般的な警告、研究）、「曖昧」（フィクションまたは修辞的表現）、および「偽陽性」（位置情報の誤分類または比喩的表現）が含まれる。

意義と貢献
本論文は、どちらのアプローチが優れていると主張するのではなく、それらが補完的であり、手法の選択が研究成果を根本的に規定すると主張している。

• 方法論的洞察： 本研究は、トップダウン型のクエリのみに頼ると、大多数のニュースイベント（インベントリに記載されていないもの）を見逃すことを示し、一方でボトムアップ型のクラスタリングのみに頼ると、重大なノイズが混入し、特定の災害の発生ではなく一般的なトピックの議論を捉えてしまうことを示している。
• バイアスの定量化： 結果は、メディアの報道とインベントリへの記載がランダムではないことを浮き彫りにしている。EM-DATは深刻なイベントに焦点を当てているが、メディアの注目度は人口密度、経済的関連性、および公衆の関心に影響される。
• ベストプラクティス： 著者らは、自動抽出によって偽陽性を排除することはできないと結論付けている。したがって、ビッグデータ・パラダイムの欠陥を明らかにするためには、診断的な分析が不可欠である。研究者は、自身の具体的な目的に基づいてどのサンプルを使用するかについて、情報に基づいた選択を行う必要がある。すなわち、ボトムアップ型アプローチはメディアの注目パターンの研究に適しており、トップダウン型アプローチは、インベントリ固有のバイアスを認識した上で、既存の災害データベースを影響データで拡充することに適している。