Leveraging LLMs and Social Media to Understand User Perception of Smartphone-Based Earthquake Early Warnings

📄 arXiv: 2603.23322v1 📥 PDF

作者: Hanjing Wang, S. Mostafa Mousavi, Patrick Robertson, Richard M. Allen, Alexie Barski, Robert Bosch, Nivetha Thiruverahan, Youngmin Cho, Tajinder Gadh, Steve Malkos, Boone Spooner, Greg Wimpey, Marc Stogaitis

分类: stat.AP, cs.AI, cs.CY, physics.geo-ph

发布日期: 2026-03-24

💡 一句话要点

利用大型语言模型和社交媒体分析用户对智能手机地震预警的感知

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 地震预警 大型语言模型 社交媒体分析 用户行为分析 自然语言处理

📋 核心要点

  1. 现有地震预警系统在用户体验和行为理解方面存在不足，难以有效提升系统效能。
  2. 利用大型语言模型分析社交媒体数据，提取用户对地震预警系统的感知和行为模式。
  3. 研究发现用户信任与警报及时性高度相关，强调了用户视角下“及时性即准确性”的重要性。

📝 摘要（中文）

2025年4月23日，土耳其马尔马拉埃雷利西发生的Mw 6.2级地震期间，Android地震警报（AEA）系统为数百万用户提供了及时的预警。这是该地区25年来最大的一次地震，也是对基于智能手机的地震预警（EEW）系统的一次关键的真实世界测试。AEA系统成功地向用户发送了高精度的警报，在强烈震动到达城市地区之前提供了一分钟以上的预警时间。本研究利用大型语言模型（LLM）分析了来自X平台的500多条公开社交媒体帖子，提取了42个与用户体验和行为相关的不同属性。统计分析揭示了显著的关系，特别是用户信任与警报及时性之间存在很强的相关性。我们的结果表明，工程定义和以用户为中心的系统准确性定义之间存在差异。我们发现，在用户看来，及时性就是准确性。总的来说，这项研究为优化警报设计、公众教育活动和未来的行为研究提供了可操作的见解，以提高此类系统在地震活跃地区的效果。

🔬 方法详解

问题定义：现有地震预警系统主要关注工程指标，缺乏对用户体验和行为的深入理解。这导致系统设计与用户需求脱节，影响预警效果和用户信任度。社交媒体蕴含大量用户反馈，但人工分析成本高昂且难以规模化。

核心思路：利用大型语言模型（LLM）的自然语言处理能力，自动分析社交媒体上的用户帖子，提取用户对地震预警系统的感知、行为和反馈。通过统计分析，揭示用户信任、警报及时性等关键因素之间的关系，从而优化系统设计。

技术框架：该研究主要包含以下几个阶段：1) 数据收集：从X平台（原Twitter）收集与地震预警相关的公开社交媒体帖子。2) 数据清洗：对收集到的文本数据进行清洗和预处理，去除噪声和无关信息。3) 特征提取：利用LLM对文本进行分析，提取与用户体验和行为相关的42个属性。4) 统计分析：对提取的属性进行统计分析，例如相关性分析，以揭示不同因素之间的关系。

关键创新：该研究的关键创新在于将大型语言模型应用于地震预警系统的用户行为分析。传统方法依赖人工调查或专家评估，效率低且主观性强。利用LLM可以自动化、规模化地分析用户反馈，获得更客观、全面的用户洞察。此外，研究强调了用户视角下的“及时性即准确性”的观点，挑战了传统的工程定义。

关键设计：研究中使用的LLM的具体模型未知，但其关键在于能够从非结构化的文本数据中提取有意义的特征。特征工程是关键环节，需要设计合适的提示词（prompt）或微调LLM，以确保能够准确提取用户的情感、行为意图和对系统的评价。统计分析方法包括相关性分析、回归分析等，用于量化不同因素之间的关系。

📊 实验亮点

研究分析了500多条社交媒体帖子，提取了42个用户体验和行为相关的属性。结果表明，用户信任与警报及时性之间存在显著相关性，强调了在用户视角下，及时性是衡量系统准确性的重要标准。该研究为优化地震预警系统设计提供了量化的依据。

🎯 应用场景

该研究成果可应用于地震预警系统的优化设计，提升用户体验和预警效果。通过分析用户反馈，可以改进警报信息的内容、形式和发送时机，提高用户信任度和响应速度。此外，该方法还可推广到其他公共安全领域的预警系统，例如海啸、洪水等。

📄 摘要（原文）

Android's Earthquake Alert (AEA) system provided timely early warnings to millions during the Mw 6.2 Marmara Ereglisi, Türkiye earthquake on April 23, 2025. This event, the largest in the region in 25 years, served as a critical real-world test for smartphone-based Earthquake Early Warning (EEW) systems. The AEA system successfully delivered alerts to users with high precision, offering over a minute of warning before the strongest shaking reached urban areas. This study leveraged Large Language Models (LLMs) to analyze more than 500 public social media posts from the X platform, extracting 42 distinct attributes related to user experience and behavior. Statistical analyses revealed significant relationships, notably a strong correlation between user trust and alert timeliness. Our results indicate a distinction between engineering and the user-centric definition of system accuracy. We found that timeliness is accuracy in the user's mind. Overall, this study provides actionable insights for optimizing alert design, public education campaigns, and future behavioral research to improve the effectiveness of such systems in seismically active regions.