AI가 위기 관리를 변화시킨다! "도와줘"라는 요청이 게시물의 물결에 묻히기 전에 - 재난 SNS를 정리하는 AI, 일본에서도 유용할까

폭우로 도로가 침수되었습니다. 주거 지역에서는 정전이 계속되고 있습니다. 가족이 고립되어 도움을 요청하고 있습니다.

재난 시의 SNS에는 그 장소에 있는 사람만이 전달할 수 있는 정보가 모입니다. 한편으로는 같은 정보의 반복이나, 과거의 영상, 전언, 걱정하는 목소리도 흘러들어옵니다. 게시물이 많아질수록, 대응하는 측에게는 "지금 확인해야 할 정보"를 찾는 일이 무거워집니다.

정보가 없는 것만이 문제가 아닙니다. 정보가 넘쳐나 인간이 다 읽지 못하게 되는 것도 재난 대응의 과제가 됩니다.

이 부담을 줄이기 위해, 미국 텍사스 A&M 대학의 연구팀이 개발을 진행하고 있는 것이 인공지능을 사용한 재난 정보 분류 기술입니다. 2026년 11월 9일자 Phys.org는 대규모 언어 모델을 활용하여 SNS 게시물에서 필요한 정보를 찾기 쉽게 하는 연구를 소개했습니다.

기대되는 것은 담당자가 대량의 게시물을 분류하는 시간을 줄이고, 상황 확인이나 대응 검토에 시간을 사용할 수 있게 하는 것입니다. 다만, 이 기술이 무엇을 할 수 있고, 무엇을 아직 증명하지 않았는지는 구분하여 이해할 필요가 있습니다.

재난 게시물을 여러 관점에서 분류하기

연구의 명칭은 "CrisisSense-LLM"입니다. 성과는 학술지 "Advanced Engineering Informatics"에 게재되었습니다.

대학의 소개 기사에는 Bo Li 씨, Ali Mostafavi 씨, Kai Yin 씨 등이 등장합니다. 연구에서는 여러 재난에 관한 SNS 게시물에 사람이 분류 라벨을 붙인 벤치마크를 사용하고 있습니다.

대상이 되는 것은 재난, 기상, 인도 지원에 관한 정보입니다. 더 나아가 어떤 사건에 대한 게시물인지, 상황 파악에 도움이 되는 정보를 포함하는지, 어떤 종류의 지원 정보에 해당하는지 등의 여러 측면을 다룹니다.

공개 프리프린트에서는 재난 관련 게시물에서 작성한 지시 데이터를 사용하여 기존의 대규모 언어 모델을 추가 학습시키는 방법이 설명되어 있습니다. 재난 정보의 분류라는 작업에 맞춰 모델을 조정하는 생각입니다.

예를 들어, 다음과 같은 게시물을 상상해 보세요. 이는 설명을 위한 가상의 예입니다.

"강물이 넘쳐 집 앞 도로가 통행 불가입니다. 위층으로 대피하고 있지만, 식수가 얼마 남지 않았습니다."

이 문장에는 침수, 도로 통행 곤란, 대피 상황, 물자 부족이라는 서로 다른 정보가 포함되어 있습니다. 하나의 분류만으로는 게시물에 포함된 필요 사항을 충분히 표현하지 못할 수도 있습니다.

여러 관점에서 정리할 수 있다면, 도로 피해를 조사하는 담당자와 지원의 필요성을 조사하는 담당자가 각각 관련된 게시물을 찾기 쉬워집니다. 거기에 이 연구의 실무적인 가치가 있습니다.

"분류할 수 있다"와 "사실이라고 확인할 수 있다"는 다르다

이 연구를 읽을 때 가장 주의해야 할 점이 있습니다.

어떤 게시물을 "구조 요청"으로 분류할 수 있다고 해도, 실제로 그 장소에서 구조가 필요하다고 확인된 것은 아닙니다.

문장의 내용을 이해하고 종류를 판정하는 작업과 현지에서 일어나고 있는 사실을 확인하는 작업은 별개이기 때문입니다.

그럴듯한 가짜 구조 요청도 문장의 특징만 보면 "구조 요청"으로 분류될 가능성이 있습니다. 반대로, 긴박한 상황에서 작성된 짧은 게시물이나 오타가 많은 게시물은 내용을 읽기 어려울 수 있습니다.

이번 소개 기사에서 CrisisSense-LLM이 허위 정보를 확실히 간파한다고 결론짓는 것은 불가능합니다. 구조의 우선순위를 자동으로 결정하는 시스템으로 설명하는 것도 적절하지 않습니다.

실용화를 고려한다면, 분류 결과에서 원문으로 돌아갈 수 있는 것, 게시 시각을 확인할 수 있는 것, 지명이나 정보의 출처를 추적할 수 있는 것이 필요할 것입니다.

예를 들어, 화면에 "물자 부족"이라고 표시되는 것만으로는 판단 자료로서 충분하지 않습니다. 언제, 어디서, 누가, 무엇을 필요로 하는지. 그리고 그 상황이 지금도 계속되고 있는지. 정리된 정보를 확인 가능한 정보로 만드는 설계가 요구됩니다.

실재 재난에서의 운용은 아직――기대와 실적을 혼동하지 않기

연구팀은 이 시스템이 개발 중이며, 진행 중인 재난에서는 아직 운용되지 않았음을 명시하고 있습니다.

이 점은 성과의 받아들이는 방식을 좌우합니다.

미리 준비된 게시물 데이터를 분류하는 것과, 정보가 끊기거나, 모순되거나, 새로운 지명이나 표현이 계속 나타나는 재난 현장에서 사용하는 것에는 차이가 있습니다.

현장에서 유효한지를 확인하려면, 분류의 정확성에 더해, 담당자의 확인 시간이 어떻게 변하는지, 중요한 게시물을 놓치지 않는지, 오분류를 수정하기 쉬운지 등의 검증도 필요합니다.

특히, 놓침과 오탐의 영향은 같지 않습니다.

관계가 얕은 게시물이 섞이면, 담당자의 확인 작업이 늘어납니다. 한편, 정말로 지원이 필요한 게시물이 목록에서 빠지면, 상황 파악의 기회를 잃을 가능성이 있습니다. "전체적으로 잘 맞는다"는 평가만으로 구조에 관련된 사용의 적절함까지 판단하기는 어렵습니다.

이번 연구는 재난 대응을 지원하는 정보 정리의 가능성을 보여주는 것입니다. 구조 시간의 단축이나 피해의 경감이 실지로 확인된 단계와는 구분해 두고 싶습니다.

SNS의 반응이 보여주는, 재난과 AI의 어려운 관계

그러면, SNS에서는 어떻게 받아들여지고 있는가.

2026년 11월 10일 시점에서 확인할 수 있었던 공개 정보의 범위에서는, 이번 연구 그 자체에 대한 일반 이용자의 반응을 정리된 형태로 확인할 수 없었습니다. 따라서, 연구에 대한 찬반이 확산되고 있다고 소개할 수는 없습니다.

한편, 재난 시의 AI 이용에 관련된 실제 SNS 게시물에서는 다른 측면이 보입니다. AI가 정보 정리를 돕는 가능성과 동시에, AI로 인해 혼란이 증가할 것에 대한 경계입니다.

기술 보도 매체 "Rest of World"는 2024년 브라질의 홍수를 둘러싸고, 구조 장면을 가장한 AI 생성 이미지가 유통된 사례를 보도하고 있습니다.

동 기사가 소개한 X의 게시물에서는, 이용자 "@mphistoria"가 WhatsApp에서 공유되고 있던 이미지에 대해 AI로 생성된 것이라고 지적하며, 규제의 필요성을 호소하고 있었습니다. 이는 이번 연구에 대한 반응이 아니라, 재난 시에 유통되는 AI 생성 이미지에 대한 반응입니다.

이 사례가 부각시키는 것은 정보를 처리하는 속도만으로 해결할 수 없는 문제입니다.

가령, 부정확한 게시물까지 손쉽게 정리되어 버리면, 목록은 보기 쉬워져도 판단의 기반이 올바르게 되는 것은 아닙니다. 정돈된 화면이나 명쾌한 요약이 내용까지 확인된 것처럼 인상을 줄 수도 있습니다.

그렇기 때문에, 재난용 AI에는 "무엇이 쓰여 있는가"에 더해 "무엇이 미확인인가"를 사람이 구별할 수 있는 구조가 요구됩니다.

일본에도, 재난 SNS를 분석해 온 축적이 있다

이 이야기는 일본에 있어서 먼 해외의 연구가 아닙니다.

정보통신연구기구(NICT)는, 대재난 SNS 정보 분석 시스템 "DISAANA"를 2015년부터, 재난 상황 요약 시스템 "D-SUMM"을 2016년부터 시험 공개해 왔습니다.

D-SUMM은, SNS의 재난 관련 게시물을 분석하여 지역별 피해 보고를 정리·요약하는 구조로 소개되었습니다. 재난 시의 대량의 게시물에서 상황을 파악하기 쉽게 한다는 과제에는 일본에서도 이전부터 착수해 왔던 것입니다.

덧붙여, 양 시스템의 일반용 시험 공개는 2023년 12월 28일에 종료되었습니다. NICT는 그 기술을 활용한 것을 포함한 민간 서비스의 보급 등을 배경으로 설명하고 있습니다. 현재도 같은 시험 서비스를 이용할 수 있는 것으로 소개하지 않도록 주의가 필요합니다.

이번 미국의 연구를 볼 때도, "AI로 SNS를 분석하는 것 자체가 처음"이라는 이해는 피하고 싶습니다.

일본에서 쌓아온 노력과 대조하면서, 대규모 언어 모델에 의해 어떤 표현을 다루기 쉬워지는지, 여러 정보를 어떻게 정리할 수 있는지를 검증하는 것에 의미가 있습니다.

일본에서 사용하려면, 지명과 "쓰여 있지 않은 정보"가 과제가 된다

여기부터는, 이번 성과로 확인된 내용이 아니라, 일본에서의 이용을 고려한 경우의 논점입니다.

먼저, 일본어의 재난 게시물에서는 장소의 표현이 어렵습니다.

정식 주소가 아니라, "언제나의 다리", "역 뒤", "옛길의 끝"이라고 쓰이는 경우가 있습니다. 지역의 통칭이나 시설의 약칭을 포함한 게시물도 생각할 수 있습니다. 말을 분류할 수 있어도, 대응해야 할 장소가 알 수 없다면, 현장 확인으로 이어지기 어렵습니다.

일본어에 대한 대응도, 단순히 문장을 번역하면 되는 것은 아닙니다. 생략된 주어, 방언, 짧은 단편, 오변환 등을 포함한 게시물을 어느 정도 다룰 수 있는지 확인할 필요가 있습니다.

또한, SNS에 게시되지 않은 피해는 SNS의 분석만으로는 파악할 수 없습니다.

통신이 두절된 지역이나, 게시할 여유가 없는 사람의 상황은 화면에 나타나기 어려울 가능성이 있습니다. "게시물이 적은 지역"을 "피해가 적은 지역"으로 읽지 않는 것이 중요합니다.

분석 결과를 사용할 때에는, 전화, 현지에서의 보고, 지자체가 가진 정보 등과 대조할 필요가 있을 것입니다. SNS는 상황 파악을 보완하는 정보원으로서 유용해도, 지역 전체를 빠짐없이 비추는 것은 아닙니다.

미래에는 "질문할 수 있는 AI"로, 다만 근거도 필요하다

연구팀이 다음에 목표로 하고 있는 것은 재난 대응 전문가가 대화할 수 있는 AI 에이전트라고 합니다.

현재의 분류 중심의 구조에서, 담당자가 질문하여 정보를 찾을 수 있는 구조로 나아가고자 하는 생각입니다.

예를 들어, 미래의 이용 장면으로는, "이 지역에서 지원을 요청하는 게시물이 있는가", "도로 피해에 관한 새로운 보고는 어느 것인가"와 같은 질문이 생각됩니다. 다만, 이것들은 상정 예이며, 이번 기사가 구현된 기능으로 보도한 것은 아닙니다.

대화형이 되면, 사용하는 측은 분류 항목을 하나씩 열어보는 수고를 줄일 수 있을지도 모릅니다. 그 한편으로, 답변의 근거를 확인하는 설계는 더욱 중요해집니다.

"이 지역에서 구조가 필요합니다"라는 한 문장만으로는, 원래 정보가 한 건인지, 여러 개인지, 몇 시간 전의 것인지 알 수 없습니다.

미래의 시스템에는, 답변과 함께 원래의 게시물, 시각, 확인 상황을 제시하고, 정보가 부족한 경우에는 그 부족을 전하는 것이 바람직합니다. 자연스러운 문장으로 답할 수 있는 것과 재난 대응의 판단 자료로 사용할 수 있는 것 사이에는 아직 메워야 할 거리가 있습니다.

정보를 정리한 후에, 사람의 판단을 놓을 수 있는가

CrisisSense-LLM의 연구가 보여주는 가능성은 재난 시에 인간이 다 읽지 못하는 양의 정보를 다루기 위한 지원에 있습니다.

그 가치를 측정하려면, 처리할 수 있는 게시물 수뿐만 아니라, 필요한 정보에 도달했는지, 놓침을 줄였는지, 담당자가 근거를 확인할 수 있었는지를 볼 필요가 있습니다.

"도와주세요"라는 게시물을 찾는 것. 그 내용을 확인하는 것. 그리고 적절한 대응으로 연결하는 것.

이 세 가지는 연결되어 있지만, 같은 일이 아닙니다.

AI에 의한 분류를 그 후의 확인이나 행동으로 어떻게 연결할 것인가. 일본에서 활용을 생각할 때에도, 기술의 성능만큼이나 현장에서의 사용 방법이 중요해집니다.

출처·참고 자료

1. Phys.org：2026년 11월 9일 공개. 연구의 개요, 분류 대상, 실재 재난에서 미운용이라는 것, 대화형 AI로의 미래 구상을 소개.
   https://phys.org/news/2026-11-ai-tool-crisis-communication.html

2. Texas A&M University：대학에 의한 연구 발표
   2026년 11월 6일 공개. 연구팀과 개발 상황을