Bài báo này khám phá việc phân loại tự động các tweet liên quan đến thảm họa trên các nền tảng mạng xã hội như Twitter, một nguồn thông tin thời gian thực quan trọng trong các trường hợp khẩn cấp về thảm họa và an toàn công cộng. Trong khi các mô hình học máy thông thường, chẳng hạn như hồi quy logistic, Bayes ngây thơ và máy vectơ hỗ trợ, gặp khó khăn trong việc hiểu ngữ cảnh hoặc ý nghĩa sâu xa của ngôn ngữ không chính thức, ẩn dụ hoặc mơ hồ, chúng tôi đưa ra giả thuyết và xác thực bằng thực nghiệm rằng các mô hình dựa trên Transformer (BERT, DistilBERT, RoBERTa và DeBERTa) sẽ hoạt động tốt hơn. Kết quả thực nghiệm chứng minh rằng BERT vượt trội đáng kể so với các mô hình thông thường (hồi quy logistic và Bayes ngây thơ, 82%) với độ chính xác 91%, thể hiện khả năng hiểu ngôn ngữ sắc thái tốt hơn thông qua các cơ chế nhúng ngữ cảnh và chú ý. Do đó, chúng tôi chứng minh rằng kiến trúc Transformer phù hợp hơn cho các ứng dụng an toàn công cộng, mang lại độ chính xác được cải thiện, hiểu ngôn ngữ sâu hơn và khái quát hóa tốt hơn cho các văn bản truyền thông xã hội trong thế giới thực.
