By the outset of this review, 168 million people needed humanitarian aid, and the number grew to 235 million by the end of the completion of this review. There is no time to lose, definitely no data to lose. Humanitarian relief is crucial not just to contend with a pandemic once a century but also to provide help during civil conflicts, ever-increasing natural disasters, and other forms of crisis. Reliance on technology has never been so relevant and critical than now. The creation of more data and advancements in data analytics provides an opportunity to the humanitarian field. This review aimed at providing a holistic understanding of big data analytics in a humanitarian and disaster setting. A systematic literature review method is used to examine the field and the results of this review explain research gaps, and opportunities available for future research. This study has shown a significant research imbalance in the disaster phase, highlighting how the emphasis is on responsive measures than preventive measures. Such reactionary measures would only exacerbate the disaster, as is the case in many nations with COVID-19. Overall this research details the current state of big data analytics in a humanitarian and disaster setting.


翻译:在本次审查开始之时,1.68亿人需要人道主义援助,到本次审查结束时,人数增加到2.35亿人,没有时间损失,绝对没有数据损失。人道主义救济不仅对于对付一个世纪的大流行病至关重要,而且对于在内部冲突、不断增加的自然灾害和其他形式的危机期间提供帮助也至关重要。对技术的依赖从来没有像现在这样重要和关键。创造更多的数据和数据分析进步为人道主义领域提供了机会。这次审查旨在全面了解人道主义和灾害背景下的大数据分析。利用系统文献审查方法对实地进行审查,并用这一审查的结果来解释研究差距和今后研究的机会。这项研究显示,灾害阶段的研究严重不平衡,突出了如何强调应对措施而不是预防措施。这种反动措施只会加剧灾害,正如许多具有COVID-19的国家的情况那样。总体而言,这项研究详细介绍了人道主义和灾害背景下的大数据分析现状。

0
下载
关闭预览

相关内容

从各种各样类型的数据中,快速获得有价值信息的能力,就是大数据技术。明白这一点至关重要,也正是这一点促使该技术具备走向众多企业的潜力。大数据的4个“V”,或者说特点有四个层面:第一,数据体量巨大。从TB级别,跃升到PB级别;第二,数据类型繁多。前文提到的网络日志、视频、图片、地理位置信息等等。第三,价值密度低。以视频为例,连续不间断监控过程中,可能有用的数据仅仅有一两秒。第四,处理速度快。
【UAI2021教程】贝叶斯最优学习,65页ppt
专知会员服务
64+阅读 · 2021年8月7日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
CCF C类 | DSAA 2019 诚邀稿件
Call4Papers
6+阅读 · 2019年5月13日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
CCF B类期刊IPM专刊截稿信息1条
Call4Papers
3+阅读 · 2018年10月11日
计算机类 | 期刊专刊截稿信息9条
Call4Papers
4+阅读 · 2018年1月26日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
推荐|Andrew Ng计算机视觉教程总结
全球人工智能
3+阅读 · 2017年11月23日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Arxiv
0+阅读 · 2021年9月6日
Arxiv
0+阅读 · 2021年8月3日
A Survey of Deep Learning for Scientific Discovery
Arxiv
29+阅读 · 2020年3月26日
Learning From Positive and Unlabeled Data: A Survey
Arxiv
5+阅读 · 2018年11月12日
Semantics of Data Mining Services in Cloud Computing
Arxiv
4+阅读 · 2018年10月5日
Arxiv
6+阅读 · 2016年1月15日
VIP会员
相关资讯
CCF C类 | DSAA 2019 诚邀稿件
Call4Papers
6+阅读 · 2019年5月13日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
CCF B类期刊IPM专刊截稿信息1条
Call4Papers
3+阅读 · 2018年10月11日
计算机类 | 期刊专刊截稿信息9条
Call4Papers
4+阅读 · 2018年1月26日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
推荐|Andrew Ng计算机视觉教程总结
全球人工智能
3+阅读 · 2017年11月23日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
相关论文
Top
微信扫码咨询专知VIP会员