氣候變遷是全球重要議題，了解民眾想法對政策制定至關重要。透過NLP和資料視覺化分析社群媒體和部落格內容，使用BERTopic和LDA等技術找出主題，並根據句子相似度分組評論。比較了不同關鍵詞提取方法，發現基於OpenAI的BERTopic效果最好。研究提供了民眾對氣候變遷態度的見解，有助於政策制定和因應氣候變遷。 PubMed DOI

這項研究分析了來自社交媒體和線上平台的大量數據，評估公眾對城市專案的意見，特別是交通系統的發展。研究人員運用先進的演算法和工具，如品牌分析和GPT模型，來解讀市民的即時反饋。結果顯示，使用者對專案的看法偏中立，並未顯示出明顯的社會緊張，這意味著計畫推進可能會順利。此外，研究還提出建議，以避免潛在衝突並解決社會緊張的根源，協助城市發展的決策。 PubMed DOI

在公共衛生緊急事件中，快速了解公眾需求對危機溝通和管理非常重要。本研究強調及時捕捉這些需求，以改善健康應對，特別是在COVID-19疫情期間。研究利用動態主題挖掘和知識圖譜，透過三個大型語言模型分析公眾情緒和需求，聚焦於上海封城的情況。結果顯示，這種方法能有效處理社交媒體數據，評估需求變化，並透過視覺地理分析幫助政府制定政策和資源分配，增強健康緊急管理的理解。 PubMed DOI

世界銀行指出，洪水對社區發展造成重大挑戰，可能逆轉減貧進展。本研究分析了506個洪水管理關鍵字與76個國家的32個宏觀環境指標之間的關係，並開發出506個神經網絡模型，顯示洪水管理關鍵字與環境、社會、經濟、政治及文化等面向有關聯。隨著國家可持續性和績效指標改善，洪水相關關鍵字的使用量也會增加。研究還利用Microsoft Azure AI和ChatGPT簡化分析，強調基於證據的洪水資訊的重要性。 PubMed DOI

這項研究比較了多種情感分析方法，包括手動編碼、自然語言處理工具（VADER、TEXT2DATA、LIWC-22）和ChatGPT 4.0，針對有關鴉片類藥物危機的YouTube評論進行分析。研究發現，LIWC-22在估算負面情感方面表現優異，而VADER在分類負面評論上最佳。自然語言處理工具與手動編碼的一致性一般，ChatGPT 4.0表現較差。建議使用VADER和LIWC-22來分析不平衡數據集，特別是負面情緒的情況下。 PubMed DOI

這項研究調查了美國紐約、洛杉磯和芝加哥居民在 COVID-19 疫情過渡期間的情感變化。研究分析了超過 119,000 條 Twitter 帖子，發現情感水平與確診數有顯著相關，紐約市的相關性最高（0.89），芝加哥中等（0.65），洛杉磯較低（0.39）。隨著疫情減退，與 COVID-19 相關的詞彙逐漸被其他詞彙取代，顯示對限制措施的關注度下降。整體來看，疫情接近尾聲時，對限制措施的負面情感減少，突顯了疫情對城市居民的社會心理影響。 PubMed DOI

這項研究探討利用長短期記憶（LSTM）網絡來預測山洪，強調小流域水位快速變化需全面數據考量。研究團隊為中國浙江省的七溪水庫和橋東村開發水文知識圖譜（KG），整理水利數據並識別關鍵災害因素，以提升預測準確性。結果顯示，結合KG和大型語言模型（LLM）的LSTM模型預測準確性比標準LSTM高3%，且表現優於RNN和GRU。研究建議未來應重點理解多維災害數據與算法的關係。 PubMed DOI

美國公共衛生協會年會的研究發現，近年來氣候變遷相關議題在公共衛生討論中不僅數量減少，主題也變得單一，主要聚焦在健康影響，像是熱傷害和心理健康，較少討論政策或人力資源。這顯示公共衛生領域需要加強能力，並更積極把氣候變遷納入核心議題，重視公平性。 PubMed DOI

這篇研究分析超過11萬則微博貼文，發現福島核廢水事件爆發後，網友關注度在前兩週大增，雖然憤怒慢慢減弱，但恐懼情緒還是最強。沿海地區因為離日本近、吃海鮮多，討論特別熱烈，但風險感受沒明顯地區差異。高學歷和常吃海鮮的人討論也較多，經濟條件影響不大。建議風險溝通要配合時機、地點和情緒調整，並考慮中國的社會文化背景。 PubMed DOI

這項研究發現，社群媒體上關於自殺的討論常忽略弱勢族群的議題。研究團隊用AI生成補足這些缺漏主題的資料，讓機器學習模型訓練更全面。結果顯示，加入這些合成資料後，模型偵測自殺意念的準確度提升，有助於打造更包容的線上自殺風險偵測工具。 PubMed DOI