ROUGE : A database of disaster impacts in the Global South using Red Cross reports and Large Language Models
Dit artikel introduceert ROUGE, een nieuwe database voor de sociaaleconomische impact van rampen in het Mondiale Zuiden die gebruikmaakt van Large Language Models om gedetailleerde, niet-monetaire gegevens te extraheren uit rapporten van de Internationale Federatie van het Rode Kruis en de Rode Halve Maan, waardoor bestaande hiaten in geografische dekking en databias worden aangepakt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je de wereld voor als een gigantisch, bruisend podium waar de natuur af en toe een driftbui heeft. Soms is het een storm die het decor omver kegelt, een droogte die de attributen doet opdrogen, of een aardbeving die de vloerplanken doet schudden. Decennialang hebben wetenschappers en hulpverleners geprobeerd een scorekaart bij te houden van deze rampen om te begrijpen hoeveel schade ze veroorzaken en wie er slachtoffer van wordt. Maar hier is het probleem: de scorekaarten die we tot nu toe hebben, zijn een beetje als een bibliotheek waar alleen de boeken uit rijke landen in de schappen staan. De verhalen uit het Mondiale Zuiden — de armere, vaak kwetsbaardere regio's — ontbreken, en de boeken die we wel hebben, tellen vooral de verloren geldwaarde, waarbij de menselijke verhalen, de kapotte huizen en de zieke gemeenschappen worden genegeerd. Om dit te repareren, hebben we een manier nodig om miljoenen rommelige, handgeschreven aantekeningen en officiële rapporten te lezen om de verborgen verhalen van pijn en herstel te vinden. Hier komt een nieuw soort "superlezer" in beeld: Large Language Models (LLM's). Denk aan deze als ongelooflijk slimme AI-detectives die in enkele seconden duizenden pagina's tekst kunnen lezen, patronen herkennen en specifieke feiten eruit kunnen vissen die een mens een leven lang zou kosten. Door deze AI-detectives te leren om rampenrapporten te lezen, hopen wetenschappers een compleet, eerlijk beeld te bouwen van hoe natuurlijke gevaren de mensen over de hele wereld daadwerkelijk treffen.
Maak kennis met ROUGE, een nieuwe database gecreëerd door een team van onderzoekers die besloten stop te zetten met gissen en te beginnen met het lezen van de echte verhalen. Ze namen een enorme stapel officiële rapporten van de Internationale Federatie van Rode Kruis- en Rode Halve Maan-verenigingen (IFRC) — het wereldwijde netwerk van Rode Kruis-vrijwilligers dat te hulp schiet na rampen — en voerden deze in een AI-detective. Deze rapporten, geschreven door veldwerkers sinds 1919, zitten vol details over wat er gebeurde, wie er gewond raakte en wat er kapotging, maar ze zijn geschreven in gewone tekst, niet in nette spreadsheets. De onderzoekers gebruikten een specifiek AI-model (genaamd meta-llama/llama-4-scout-17b-16e-instruct) om te fungeren als een digitale archeoloog, die door 2.610 rapporten van 2016 tot 2025 groef om 15.147 specifieke impactrecords te extraheren.
Het resultaat is een schatkaart van rampimpacten die 776 unieke gebeurtenissen in 145 landen beslaat. In tegen tegenstelling tot oudere databases die vooral focussen op geld of alleen naar het landniveau kijken, zoomt ROUGE in. Het legt 20 verschillende soorten impacts vast, variërend van de voor de hand liggende (zoals "Menselijke Sterfgevallen" of "Gewonde Personen") tot de vaak over het hoofd geziene (zoals "Daklozen", "Informele Nederzettingen" of "Toegang tot Voedsel"). Het houdt zelfs bij hoe rampen zaken als scholen, ziekenhuizen en elektriciteitsnetten beïnvloeden. Het team ontdekte dat overstromingen en stormen de meest frequente boosdoeners zijn in hun dataset, en dat Afrika en Azië de regio's zijn waar deze impacts het meest uitvoerig worden geregistreerd in de nieuwe database.
De onderzoekers zijn echter voorzichtig met het claimen dat dit een perfecte, magische oplossing is. Ze geven toe dat AI soms fouten kan maken, zoals het raden van een datum die er niet was, of het door elkaar halen van twee vergelijkbaar klinkende plaatsen. Om te controleren of hun werk standhoudt, hebben ze de AI getest tegen een "gouden standaard" set rapporten die door mensen handmatig waren gelezen en gelabeld. De resultaten lieten zien dat de AI ongeveer drie kwart van de feiten goed kreeg (een precisie- en recallscore van ongeveer 0,73). De AI was bijzonder goed in het vinden van kwalitatieve verhalen (zoals "mensen waren ontheemd") maar had soms moeite met dichte lijsten van getallen. Ze vergeleken hun nieuwe data ook met bestaande databases zoals EM-DAT en IFRC GO en ontdekten dat ROUGE vaak cijfers vond die de anderen misten — vooral voor zaken als "Vermiste Personen" of "Daklozen", waarbij de nieuwe database voor tot wel 92% van de gebeurtenissen die het dekte, unieke data leverde.
Het artikel suggereert dat hoewel deze nieuwe database een krachtig hulpmiddel is om de gaten in onze wereldwijde rampenkennis op te vullen, het geen vervanging is voor menselijk oordeel. De onderzoekers bouwden een systeem van "kwaliteitsvlaggen" om gebruikers te waarschuwen wanneer de AI onzeker zou kunnen zijn of wanneer een stukje data een datum of locatie miste. Ze moedigen iedereen die de data gebruikt aan om de originele tekstfragmenten te dubbelchecken als iets verdacht lijkt. Uiteindelijk suggereert ROUGE dat door de onvermoeibare leeskracht van AI te combineren met de rijke, praktijkgerichte verhalen van het Rode Kruis, we eindelijk een volledig, ongefilterd beeld kunnen krijgen van hoe natuurlijke rampen de meest kwetsbare gemeenschappen ter wereld treffen, waarbij we verder gaan dan alleen het tellen van dollars naar het tellen van levens en levensonderhoud.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.