KI verändert das Krisenmanagement! Bevor der Hilferuf in der Flut von Beiträgen untergeht – Kann KI, die soziale Netzwerke bei Katastrophen organisiert, auch in Japan nützlich sein?

Durch den starken Regen sind die Straßen überflutet worden. In Wohngebieten gibt es weiterhin Stromausfälle. Familien sind eingeschlossen und bitten um Hilfe.

In sozialen Netzwerken während einer Katastrophe sammeln sich Informationen, die nur von den Menschen vor Ort weitergegeben werden können. Gleichzeitig fließen jedoch auch wiederholte Informationen, alte Videos, Hörensagen und besorgte Stimmen ein. Je mehr Beiträge es gibt, desto schwieriger wird es für die Verantwortlichen, die "jetzt zu überprüfenden Informationen" zu finden.

Es ist nicht nur das Fehlen von Informationen, das ein Problem darstellt. Auch die Überflutung mit Informationen, die für Menschen nicht mehr lesbar sind, wird zu einer Herausforderung im Katastrophenmanagement.

Um diese Belastung zu reduzieren, entwickelt ein Forschungsteam der Texas A&M University eine Technologie zur Klassifizierung von Katastropheninformationen mithilfe künstlicher Intelligenz. Phys.org berichtete am 9. November 2026 über eine Forschung, die große Sprachmodelle nutzt, um benötigte Informationen aus sozialen Netzwerkbeiträgen leichter auffindbar zu machen.

Erwartet wird, dass die Verantwortlichen weniger Zeit mit der Sortierung einer großen Anzahl von Beiträgen verbringen müssen und mehr Zeit für die Überprüfung der Situation und die Planung von Maßnahmen haben. Allerdings muss man verstehen, was diese Technologie leisten kann und was noch nicht bewiesen ist.

Klassifizierung von Katastrophenbeiträgen aus mehreren Perspektiven

Der Name der Forschung lautet "CrisisSense-LLM". Die Ergebnisse wurden in der Fachzeitschrift "Advanced Engineering Informatics" veröffentlicht.

In dem Artikel der Universität werden Bo Li, Ali Mostafavi und Kai Yin erwähnt. Die Forschung verwendet Benchmarks, bei denen Menschen Klassifizierungslabels zu sozialen Netzwerkbeiträgen über verschiedene Katastrophen hinzugefügt haben.

Die Informationen betreffen Katastrophen, Wetter und humanitäre Hilfe. Darüber hinaus werden mehrere Aspekte behandelt, wie z.B. worüber der Beitrag berichtet, ob er nützliche Informationen zur Situationsbewertung enthält und welche Art von Unterstützungsinformationen er darstellt.

In dem veröffentlichten Preprint wird eine Methode beschrieben, bei der bestehende große Sprachmodelle mit Anweisungsdaten aus katastrophenbezogenen Beiträgen weiter trainiert werden. Die Idee ist, das Modell an die Aufgabe der Klassifizierung von Katastropheninformationen anzupassen.

Stellen Sie sich zum Beispiel den folgenden Beitrag vor. Dies ist ein fiktives Beispiel zur Veranschaulichung.

„Das Wasser des Flusses ist über die Ufer getreten, die Straße vor unserem Haus ist unpassierbar. Wir haben uns in die obere Etage geflüchtet, aber das Trinkwasser wird knapp.“

Dieser Satz enthält unterschiedliche Informationen wie Überschwemmung, unpassierbare Straßen, Evakuierungssituation und Mangel an Vorräten. Eine einzige Klassifizierung könnte möglicherweise nicht alle notwendigen Informationen im Beitrag ausreichend darstellen.

Wenn man aus mehreren Perspektiven ordnen kann, wird es für die Verantwortlichen, die Straßenschäden untersuchen, und diejenigen, die den Bedarf an Unterstützung prüfen, einfacher, die relevanten Beiträge zu finden. Darin liegt der praktische Wert dieser Forschung.

„Klassifizieren können“ und „als Tatsache bestätigen können“ sind unterschiedlich

Es gibt einen Punkt, auf den man beim Lesen dieser Forschung besonders achten sollte.

Auch wenn ein Beitrag als „Rettungsanfrage“ klassifiziert werden kann, bedeutet das nicht, dass an diesem Ort tatsächlich Hilfe benötigt wird.

Das Verstehen des Inhalts eines Textes und die Bestimmung der Art sowie die Überprüfung der tatsächlichen Gegebenheiten vor Ort sind unterschiedliche Aufgaben.

Auch glaubwürdig erscheinende gefälschte Rettungsanfragen könnten allein anhand der Merkmale des Textes als „Rettungsanfrage“ klassifiziert werden. Umgekehrt könnten kurze oder fehlerhafte Beiträge in dringenden Situationen schwer verständlich sein.

Aus dem vorliegenden Artikel lässt sich nicht schließen, dass CrisisSense-LLM Falschinformationen sicher erkennen kann. Es ist auch nicht angemessen, es als ein System zu beschreiben, das automatisch die Priorität von Rettungsaktionen festlegt.

Wenn man an die praktische Anwendung denkt, wird es notwendig sein, von den Klassifizierungsergebnissen zu den Originaltexten zurückkehren zu können, die Zeit der Veröffentlichung zu überprüfen und die Herkunft der Informationen und Ortsnamen nachverfolgen zu können.

Wenn auf dem Bildschirm nur „Mangel an Vorräten“ angezeigt wird, reicht das als Entscheidungsgrundlage nicht aus. Wann, wo, wer, was benötigt wird und ob die Situation noch andauert, muss in überprüfbare Informationen umgewandelt werden.

Der Einsatz in realen Katastrophen steht noch aus – Erwartungen und Erfolge nicht verwechseln

Das Forschungsteam stellt klar, dass dieses System in der Entwicklung ist und bei laufenden Katastrophen noch nicht eingesetzt wird.

Dieser Punkt beeinflusst, wie die Ergebnisse wahrgenommen werden.

Es gibt einen Unterschied zwischen der Klassifizierung vorbereiteter Beitragsdaten und der Nutzung in einem Katastrophengebiet, in dem Informationen unterbrochen, widersprüchlich oder neue Ortsnamen und Ausdrücke ständig auftauchen.

Um die Wirksamkeit vor Ort zu überprüfen, sind neben der Genauigkeit der Klassifizierung auch Tests erforderlich, wie sich die Bestätigungszeit der Verantwortlichen verändert, ob wichtige Beiträge übersehen werden und ob Fehlklassifikationen leicht korrigiert werden können.

Insbesondere sind die Auswirkungen von Übersehen und Fehlalarmen nicht gleich.

Wenn irrelevante Beiträge vermischt werden, erhöht sich die Überprüfungsarbeit der Verantwortlichen. Wenn jedoch wirklich unterstützungsbedürftige Beiträge aus der Liste herausfallen, könnte die Gelegenheit zur Situationsbewertung verloren gehen. Es ist schwierig, allein anhand der Bewertung „insgesamt gut getroffen“ die Eignung für den Einsatz im Rettungswesen zu beurteilen.

Diese Forschung zeigt das Potenzial der Informationsorganisation zur Unterstützung des Katastrophenmanagements. Die Verkürzung der Rettungszeit und die Minderung der Schäden sind von der Bestätigung vor Ort zu unterscheiden.

Die Reaktion in sozialen Netzwerken zeigt die schwierige Beziehung zwischen Katastrophen und KI

Wie wird es in sozialen Netzwerken wahrgenommen?

Im Rahmen der öffentlich zugänglichen Informationen, die am 10. November 2026 überprüft wurden, konnte keine zusammengefasste Reaktion der allgemeinen Nutzer auf die eigentliche Forschung festgestellt werden. Daher kann nicht gesagt werden, dass sich Zustimmung oder Ablehnung zur Forschung verbreitet hat.

Andererseits zeigen tatsächliche Beiträge in sozialen Netzwerken im Zusammenhang mit der Nutzung von KI bei Katastrophen eine andere Seite. Die Möglichkeit, dass KI bei der Informationsorganisation hilft, und gleichzeitig die Vorsicht vor einer durch KI verursachten Verwirrung.

Das Techniknachrichtenmedium „Rest of World“ berichtete über einen Fall, in dem KI-generierte Bilder, die eine Rettungssituation vortäuschen, während der Überschwemmungen in Brasilien 2024 verbreitet wurden.

In einem von „Rest of World“ vorgestellten Beitrag auf X wies der Nutzer „@mphistoria“ darauf hin, dass das auf WhatsApp geteilte Bild von einer KI generiert wurde, und forderte eine Regulierung. Dies ist keine Reaktion auf die aktuelle Forschung, sondern eine Reaktion auf KI-generierte Bilder, die während Katastrophen kursieren.

Dieser Fall verdeutlicht ein Problem, das nicht allein durch die Geschwindigkeit der Informationsverarbeitung gelöst werden kann.

Wenn ungenaue Beiträge effizient organisiert werden, mag die Liste übersichtlicher werden, aber die Grundlage für Entscheidungen wird dadurch nicht unbedingt korrekt. Ein aufgeräumter Bildschirm oder eine klare Zusammenfassung könnte den Eindruck erwecken, dass der Inhalt bereits überprüft wurde.

Deshalb braucht es bei KI für Katastrophen nicht nur ein System, das zeigt, „was geschrieben steht“, sondern auch, „was unbestätigt ist“, damit Menschen es erkennen können.

Auch Japan hat Erfahrungen mit der Analyse von Katastrophen-SNS

Diese Geschichte ist keine weit entfernte ausländische Forschung für Japan.

Das National Institute of Information and Communications Technology (NICT) hat seit 2015 das Disaster SNS Information Analysis System „DISAANA“ und seit 2016 das Disaster Situation Summary System „D-SUMM“ testweise veröffentlicht.

D-SUMM wurde als ein System vorgestellt, das Katastrophenbezogene Beiträge in sozialen Netzwerken analysiert und Schadensberichte nach Regionen organisiert und zusammenfasst. Japan hat sich also schon früher mit der Herausforderung befasst, die Situation aus einer Flut von Beiträgen während Katastrophen besser nachvollziehbar zu machen.

Die öffentliche Testveröffentlichung beider Systeme endete am 28. Dezember 2023. NICT erklärt dies vor dem Hintergrund der Verbreitung von kommerziellen Diensten, die diese Technologie nutzen. Es ist darauf zu achten, dass diese Testdienste nicht mehr als verfügbar vorgestellt werden.

Auch bei der Betrachtung der US-amerikanischen Forschung sollte man vermeiden zu denken, dass „die Analyse von sozialen Netzwerken durch KI zum ersten Mal“ erfolgt.

Es ist sinnvoll, die bisherigen Bemühungen in Japan zu berücksichtigen und zu prüfen, welche Ausdrücke durch große Sprachmodelle besser behandelt werden können und wie mehrere Informationen organisiert werden können.

Wenn es in Japan verwendet wird, werden Ortsnamen und „nicht geschriebene Informationen“ zu Herausforderungen

Dies sind keine als Ergebnisse bestätigten Inhalte, sondern Überlegungen zur Nutzung in Japan.

Zunächst ist die Ortsangabe in japanischen Katastrophenbeiträgen schwierig.

Es kann vorkommen, dass nicht die offizielle Adresse, sondern „die übliche Brücke“, „hinter dem Bahnhof“ oder „hinter der alten Straße“ geschrieben wird. Auch Beiträge mit Spitznamen von Stadtteilen oder Abkürzungen von Einrichtungen sind denkbar. Selbst wenn die Worte klassifiziert werden können, ist es schwierig, die Situation vor Ort zu überprüfen, wenn der Ort nicht bekannt ist.

Die Anpassung an die japanische Sprache erfordert möglicherweise mehr als nur die Übersetzung von Texten. Es muss überprüft werden, inwieweit Beiträge mit ausgelassenen Subjekten, Dialekten, kurzen Fragmenten und fehlerhaften Konvertierungen behandelt werden können.

Darüber hinaus können Schäden, die nicht in sozialen Netzwerken gepostet werden, durch die Analyse von sozialen Netzwerken nicht erfasst werden.

In Regionen, in denen die Kommunikation unterbrochen ist, oder bei Menschen, die keine Zeit haben, Beiträge zu verfassen, sind die Situationen möglicherweise schwer auf dem Bildschirm zu erkennen. Es ist wichtig, „Regionen mit wenigen Beiträgen“ nicht mit „Regionen mit wenigen Schäden“ gleichzusetzen.

Bei der Nutzung der Analyseergebnisse wird es notwendig sein, diese mit Telefonberichten, Berichten vor Ort und Informationen der Gemeinden abzugleichen. Soziale Netzwerke sind zwar eine nützliche Informationsquelle zur Ergänzung der Situationsbewertung, spiegeln jedoch nicht unbedingt die gesamte Region wider.

In der Zukunft zu einem „fragbaren KI“, jedoch mit erforderlichen Belegen

Das Forschungsteam strebt als nächstes einen KI-Agenten an, mit dem Katastrophenmanagement-Experten interagieren können.

Von dem derzeit auf Klassifizierung basierenden System möchte man zu einem System übergehen, bei dem die Verantwortlichen Fragen stellen und Informationen suchen können.

Als zukünftige Nutzungsszenarien könnten Fragen wie „Gibt es Beiträge, die in dieser Region um Unterstützung bitten?“ oder „Welche neuen Berichte gibt es über Straßenschäden?“ in Betracht gezogen werden. Diese sind jedoch nur hypothetische Beispiele und nicht als bereits implementierte Funktionen im aktuellen Artikel beschrieben.

Wenn es interaktiv wird, könnte es für die Nutzer weniger mühsam sein, jeden Klassifizierungspunkt einzeln zu öffnen. Gleichzeitig wird es umso wichtiger, die Grundlage der Antworten zu überprüfen.

Ein Satz wie „In dieser Region wird Hilfe benötigt“ allein gibt keine Auskunft darüber, ob die ursprüngliche Information von einem oder mehreren Beiträgen stammt oder wie alt sie ist.

Zukünftige Systeme sollten zusammen mit der Antwort die ursprünglichen Beiträge, die Zeitangaben und den Bestätigungsstatus anzeigen und bei fehlenden Informationen auf diese Lücken hinweisen. Zwischen der Fähigkeit, in natürlicher Sprache zu antworten, und der Verwendbarkeit als Entscheidungsgrundlage im Katastrophenmanagement besteht noch eine zu überbrückende Distanz.

Kann man nach der Informationsorganisation menschliche Entscheidungen treffen?

Die Forschung zu CrisisSense-LLM zeigt das Potenzial zur Unterstützung bei der Bewältigung von Informationen, die während einer Katastrophe für Menschen unlesbar werden.

Um den Wert zu messen, muss man nicht nur die Anzahl der verarbeiteten Beiträge betrachten, sondern auch, ob die benötigten Informationen erreicht wurden, ob Übersehenes reduziert wurde und ob die Verantwortlichen die Grundlage überprüfen konnten.

Einen Beitrag mit „Hilfe“ zu finden, den Inhalt zu überprüfen und geeignete Maßnahmen zu ergreifen.

Diese drei sind miteinander verbunden, aber keine identischen Aufgaben.

Wie man die Klassifizierung durch KI mit der anschließenden Überprüfung und Handlung verbindet, ist ebenso wichtig wie die Leistung der Technologie, wenn man über den Einsatz in Japan nachdenkt.

Quellen und Referenzen

1. Phys.org:Veröffentlicht am 9. November 2026. Vorstellung der Forschung, der Klassifizierungsziele, der Nichtanwendung in realen Katastrophen und der Zukunftsvision eines dialogfähigen KI-Systems.
   https://phys.org/news/2026-11-ai-tool-crisis-communication.html

2. Texas A&M University: Forschungsankündigung der Universität
   Veröffentlicht am 6. November 2026. Primärquelle zur Bestätigung des Forschungsteams und des Entwicklungsstands.Texas A&M Stories
   https://stories.tamu.edu/news/2026/11/06/researchers-develop-ai-tool-to-improve-crisis-communication/

3. Advanced Engineering Informatics: Veröffentlichtes Paper zu CrisisSense-LLM##HTML_TAG