본 논문은 재난 및 공공 안전 비상 상황 시 실시간 정보의 중요한 원천이 된 트위터와 같은 소셜 미디어 플랫폼에서 재난 관련 트윗을 자동으로 분류하는 연구를 다룹니다. 기존의 로지스틱 회귀, 나이브 베이즈, 서포트 벡터 머신과 같은 기계 학습 모델은 비형식적, 은유적 또는 모호한 언어 사용 시 문맥이나 깊이 있는 의미를 이해하는 데 어려움을 겪는 반면, 트랜스포머 기반 모델(BERT, DistilBERT, RoBERTa, DeBERTa)이 더 나은 성능을 보일 것이라는 가설을 세우고 실험적으로 검증합니다. 실험 결과 BERT가 91%의 정확도로 기존 모델(로지스틱 회귀, 나이브 베이즈 82%)보다 훨씬 우수한 성능을 보였으며, 문맥적 임베딩과 어텐션 메커니즘을 통해 미묘한 언어를 더 잘 이해함을 보여줍니다. 따라서 트랜스포머 아키텍처가 공공 안전 애플리케이션에 더 적합하며, 향상된 정확도, 심층적인 언어 이해 및 실제 소셜 미디어 텍스트에 대한 더 나은 일반화를 제공한다는 것을 입증합니다.
