Cet article présente une nouvelle approche qui surmonte les limites des modèles de classification mono-étiquette existants en prenant en compte la nature multidimensionnelle et dynamique des données des médias sociaux liées aux catastrophes. Nous introduisons une technique d'affinement directif qui utilise un modèle de langage à grande échelle (MLL) pour effectuer une classification multi-étiquettes des tweets liés aux catastrophes. Nous construisons un ensemble complet de données directives à partir de tweets liés aux catastrophes et l'utilisons pour affiner un LLM open source afin d'y intégrer des connaissances spécifiques aux catastrophes. Ce modèle affiné classe simultanément les informations selon plusieurs dimensions, notamment le type de catastrophe, la valeur informationnelle et l'intervention humanitaire, améliorant ainsi considérablement l'utilité des données des médias sociaux pour la connaissance de la situation en cas de catastrophe. Les résultats expérimentaux démontrent que cette approche améliore la classification des informations critiques dans les publications sur les médias sociaux, les rendant plus efficaces pour la connaissance de la situation en situation d'urgence. Cela contribue au développement d'outils de gestion des catastrophes plus avancés, adaptatifs et robustes, qui améliorent la connaissance de la situation en temps réel et les stratégies d'intervention.
