ROUGE : A database of disaster impacts in the Global South using Red Cross reports and Large Language Models
Este artigo apresenta o ROUGE, um novo banco de dados de impacto socioeconômico de desastres para o Sul Global que utiliza Grandes Modelos de Linguagem para extrair dados detalhados e não monetários de relatórios da Federação Internacional das Sociedades da Cruz Vermelha e do Crescente Vermelho, abordando, assim, as lacunas existentes na cobertura geográfica e no viés de dados.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Imagine o mundo como um palco gigante e movimentado onde a natureza ocasionalmente tem um ataque de pelanca. Às vezes é uma tempestade que derruba o cenário, uma seca que seca os adereços ou um terremoto que sacode as tábuas do chão. Durante décadas, cientistas e trabalhadores humanitários tentaram manter uma pontuação desses desastres para entender quanto dano eles causam e quem é prejudicado. Mas aqui está o problema: as pontuações que temos até agora são um pouco como uma biblioteca onde apenas os livros dos países ricos estão nas prateleiras. As histórias do Sul Global — as regiões mais pobres e, muitas vezes, mais vulneráveis — estão ausentes, e os livros que temos focam principalmente no dinheiro perdido, ignorando as histórias humanas, as casas destruídas e as comunidades doentes. Para consertar isso, precisamos de uma maneira de ler milhões de notas manuscritas bagunçadas e relatórios oficiais para encontrar as histórias ocultas de dor e recuperação. É aqui que entra um novo tipo de "superleitor": os Grandes Modelos de Linguagem (LLMs). Pense neles como detetives de IA incrivelmente inteligentes que podem ler milhares de páginas de texto em segundos, detectando padrões e extraindo fatos específicos que um humano levaria uma vida inteira para encontrar. Ao ensinar esses detetives de IA a ler relatórios de desastres, os cientistas esperam construir um quadro completo e justo de como os perigos naturais realmente afetam as pessoas ao redor do mundo.
Conheça o ROUGE, um novo banco de dados criado por uma equipe de pesquisadores que decidiu parar de adivinhar e começar a ler as histórias reais. Eles pegaram uma pilha massiva de relatórios oficiais da Federação Internacional das Sociedades da Cruz Vermelha e do Crescente Vermelho (IFRC) — a rede global de voluntários da Cruz Vermelha que corre para ajudar após desastres — e os alimentaram em um detetive de IA. Esses relatórios, escritos por trabalhadores de campo desde 1919, estão repletos de detalhes sobre o que aconteceu, quem foi ferido e o que foi destruído, mas são escritos em texto simples, não em planilhas organizadas. Os pesquisadores usaram um modelo de IA específico (chamado meta-llama/llama-4-scout-17b-16e-instruct) para atuar como um arqueólogo digital, escavando através de 2.610 relatórios de 2016 a 2025 para extrair 15.147 registros de impacto específicos.
O resultado é um mapa do tesouro dos impactos de desastres que cobre 776 eventos únicos em 145 países. Ao contrário de bancos de dados antigos que focam principalmente em dinheiro ou olham apenas para o nível do país, o ROUGE dá um zoom. Ele captura 20 tipos diferentes de impactos, variando do óbvio (como "Mortes Humanas" ou "Pessoas Feridas") ao frequentemente negligenciado (como "Pessoas Sem Teto", "Assentamentos Informais" ou "Acesso à Alimentação"). Ele até rastreia como os desastres afetam coisas como escolas, hospitais e redes elétricas. A equipe descobriu que inundações e tempestades são os problemas mais frequentes em seu conjunto de dados, e que a África e a Ásia são as regiões onde esses impactos são mais fortemente registrados no novo banco de dados.
No entanto, os pesquisadores têm cuidado para não afirmar que isso é uma solução mágica e perfeita. Eles admitem que a IA pode às vezes cometer erros, como adivinhar uma data que não estava lá ou confundir dois lugares com nomes semelhantes. Para garantir que seu trabalho se sustente, eles testaram a IA contra um conjunto de relatórios de "padrão ouro" que foram lidos e rotulados manualmente por humanos. Os resultados mostraram que a IA acertou cerca de três quartos dos fatos (uma pontuação de precisão e recall de aproximadamente 0,73). Ela foi particularmente boa em encontrar histórias qualitativas (como "pessoas foram deslocadas"), mas às vezes teve dificuldade com listas densas de números. Eles também compararam seu novo banco de dados com bases existentes como EM-DAT e IFRC GO e descobriram que o ROUGE frequentemente encontrou números que os outros perderam — especialmente para itens como "Pessoas Desaparecidas" ou "Pessoas Sem Teto", onde o novo banco de dados forneceu dados únicos para até 92% dos eventos que cobriu.
O artigo sugere que, embora este novo banco de dados seja uma ferramenta poderosa para preencher as lacunas do nosso conhecimento global sobre desastres, ele não é um substituto para o julgamento humano. Os pesquisadores construíram um sistema de "bandeiras de qualidade" para alertar os usuários quando a IA pudesse estar insegura ou quando um dado estivesse sem data ou localização. Eles incentivam qualquer pessoa que utilize os dados a verificar os trechos de texto originais se algo parecer suspeito. Em última análise, o ROUGE sugere que, ao combinar o poder de leitura incansável da IA com as ricas histórias de campo da Cruz Vermelha, podemos finalmente começar a ver o quadro completo e sem filtros de como os desastres naturais impactam as comunidades mais vulneráveis do mundo, indo além de apenas contar dólares para contar vidas e meios de subsistência.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.