Assessing socio-economic climate impacts from text data

Resumo Técnico: Avaliação de impactos socioeconômicos do clima a partir de dados textuais

Declaração do Problema
Dados confiáveis sobre os impactos socioeconômicos de perigos climáticos (por exemplo, inundações, secas, tempestades) são críticos para estudos de redução de riscos e atribuição. No entanto, os dados de impacto existentes são frequentemente fragmentados, limitados a consequências diretas agregadas (por exemplo, fatalidades, perdas de culturas) ou restritos à propriedade privada (por exemplo, dados de seguros). Avaliações tradicionais intersetoriais são demoradas e difíceis de escalar, enquanto bases de dados globais disponíveis publicamente (por exemplo, EM-DAT, DesInventar) sofrem de vieses espaço-temporais, dependência de fontes limitadas e foco em eventos de grande escala.

Embora o Processamento de Linguagem Natural (PLN) e os Modelos de Linguagem de Grande Escala (LLMs) ofereçam um caminho para extrair informações de impacto de texto não estruturado (notícias, mídias sociais, relatórios) para preencher essas lacunas, o campo carece de coerência metodológica. A pesquisa está atualmente fragmentada, sem padrões compartilhados para definir "impactos", lidar com vieses ou selecionar estratégias de modelagem. Essa heterogeneidade limita a transparência, a comparabilidade e a robustez dos conjuntos de dados de impacto derivados de texto, criando barreiras para a adoção e revisão científica.

Metodologia
Os autores conduziram uma revisão sistemática da literatura para sintetizar práticas atuais e identificar lacunas.

• Coleta de Dados: Uma busca na base de dados Web of Science (até junho de 2025) usando palavras-chave relacionadas a perigos climáticos, métodos de PLN/dados-como-texto e impactos socioeconômicos resultou em 458 artigos.
• Critérios de Seleção: Após triagem de títulos, resumos e textos completos, 64 estudos revisados por pares publicados entre 2016 e 2025 foram selecionados. Os critérios de inclusão exigiam que o estudo abordasse perigos climáticos específicos, usasse texto como fonte primária de dados, avaliasse impactos socioeconômicos específicos e empregasse análise computacional de texto.
• Processo de Revisão: Cada estudo foi revisado por pelo menos dois coautores, com divergências resolvidas por um terceiro. A revisão analisou fontes de dados, tipos de perigos, escalas espaciais/temporais, métodos de PLN e abordagens de extração.
• Síntese: Com base na revisão e na expertise coletiva da equipe de autores (abrangendo ciência do clima, PLN, epidemiologia e linguística), o artigo identifica desafios-chave no pipeline de extração de impactos e propõe um conjunto de recomendações.

Principais Contribuições
O artigo faz três contribuições primárias para o campo:

1. Visão Geral dos Casos de Aplicação: Fornece um panorama de 64 estudos existentes, destacando como conjuntos de dados baseados em texto podem abordar lacunas em repositórios tradicionais ao capturar consequências indiretas (por exemplo, saúde mental, turismo), permitir monitoramento quase em tempo real e fornecer detalhes subnacionais.
2. Identificação de Desafios Chave: Os autores delineiam cinco desafios críticos específicos para a avaliação de impactos baseada em texto:
   • Seleção de Corpus Textual: Fontes (por exemplo, mídias sociais versus notícias) introduzem vieses representacionais, temporais e espaciais (por exemplo, superrepresentação de populações urbanas/do Hemisfério Norte).
   • Definição de Evento e Impacto: Ambiguidade na definição de limites de eventos e categorias de impacto leva a resultados inconsistentes e dificuldades na comparação entre estudos.
   • Identificação e Extração de Informações: Desafios incluem extrair dados estruturados de narrativas não estruturadas, lidar com referências temporais relativas e padronizar valores numéricos conflitantes.
   • Geolocalização de Impactos: Mapear texto para locais é propenso a erros devido à ambiguidade de topônimos, falta de cobertura para características não administrativas (por exemplo, rios) e dificuldades em atribuir impactos ao local correto em textos com múltiplos locais.
   • Pós-processamento e Atualização: Questões incluem distinguir relatórios duplicados, padronizar valores monetários e manter pipelines de coleta de dados contra alterações em sites e restrições de acesso.
3. Recomendações Propostas: O artigo oferece um quadro prático (detalhado em uma lista de verificação no Material Suplementar 2) para criar conjuntos de dados de impacto baseados em texto robustos. Essas recomendações cobrem:
   • Documentar o pipeline de construção (aderindo aos princípios FAIR).
   • Definir impactos, eventos e métricas explicitamente.
   • Avaliar o desempenho de extração e geolocalização com métricas apropriadas e supervisão humana.
   • Investigar, documentar e mitigar vieses.
   • Garantir conformidade legal, interoperabilidade e reutilizabilidade.

Resultados
A revisão da literatura revelou várias tendências e limitações no estado atual do campo:

• Fontes de Dados: Mídias sociais (n=45), particularmente Twitter e Weibo, são as fontes dominantes, em grande parte devido à acessibilidade histórica de APIs. Artigos de notícias (n=13) e relatórios institucionais (n=9) são subutilizados devido a custos de direitos autorais e acesso.
• Perigos: Estudos focam pesadamente em perigos únicos, especificamente tempestades (n=35) e inundações (n=30). Análises de múltiplos perigos são raras (n=18), e perigos como deslizamentos de terra, ondas de frio e ondas de calor são significativamente subestudados.
• Escala: A pesquisa é predominantemente regional (n=29) ou nacional (n=21), sem avaliações globais. A maioria dos estudos foca em eventos únicos (n=38) em vez de tendências de vários anos.
• Métodos: Métodos não supervisionados como modelagem de tópicos (n=17) são comuns, mas frequentemente usados para identificação de temas em vez de avaliação direta de impactos. Aprendizado de máquina supervisionado (n=16) e aprendizado profundo (n=21) são usados para detecção. LLMs estão emergindo (n=7), mas ainda não são dominantes.
• Abordagens de Extração: A abordagem mais comum é derivar "métricas de saliência de impacto" (n=42), como contar frequências de menção. "Detecção de presença de impacto" (n=13) e "narrativas de impacto" (n=5) são menos comuns. "Quantificação de impacto" (n=4), que extrai valores numéricos específicos (por exemplo, perda econômica), é a abordagem menos utilizada.

Significância e Alegações
O artigo argumenta que, embora dados-como-texto prometam preencher lacunas críticas na análise de impactos — como capturar impactos indiretos e permitir atualizações quase em tempo real — essas promessas permanecem irrealizadas devido à falta de padrões metodológicos compartilhados. Os autores afirmam que o campo deve ir além de práticas fragmentadas para estabelecer regras básicas que garantam transparência e comparabilidade.

A significância deste trabalho reside em seu papel como guia para pesquisadores, revisores e praticantes na construção de "conjuntos de dados socioeconômicos de impacto derivados de texto robustos". Ao fornecer recomendações específicas sobre documentação, mitigação de vieses e avaliação, o artigo visa fomentar abordagens consistentes e rigorosas. Os autores enfatizam que o texto deve ser tratado não apenas como dados brutos, mas como uma combinação de evidências e percepção humana, exigindo tratamento cuidadoso de vieses e validação com intervenção humana. Eles concluem que o progresso depende de práticas colaborativas, benchmarks compartilhados e a integração de conjuntos de dados de referência externos para contextualizar sinais textuais, movendo finalmente o campo para um ecossistema de pesquisa mais confiável.