Keterlihatan Bencana: Bagaimana AI Merekonstruksi Naratif dan Tadbir Urus Risiko Bencana Global

Dari "Rekod" kepada "Pemahaman": AI Membentuk Semula Infrastruktur Data Bencana Global

Pada 2015, Pertubuhan Bangsa-Bangsa Bersatu menerima pakai Rangka Kerja Sendai untuk Pengurangan Risiko Bencana, dengan salah satu komitmen terasnya adalah menggantikan pemikiran bencana tunggal dengan "pendekatan pelbagai bencana dan sistematik". Namun selepas sedekad, data yang menyokong komitmen ini kebanyakannya masih merupakan "jadual pendaftaran kejadian" yang terpencil. Banjir, gempa bumi, berapa banyak kerugian—disusun kemas ke dalam pangkalan data, tetapi jarang menjawab soalan yang lebih kritikal: Bagaimana bencana saling berkaitan? Bagaimana kelemahan sosial membesarkan kesan?

Satu kajian yang diterbitkan dalam *Scientific Data* pada Mac 2026 sedang mengisi kekosongan ini. Pasukan penyelidik Eropah menggunakan Model Bahasa Besar (LLM) dan Penjanaan Tambahan Retrieval (RAG) untuk mengekstrak secara automatik lebih 3,000 peristiwa bencana yang berlaku antara 2014 dan 2024 daripada berjuta-juta sumber berita global, menjana "jalan cerita" berstruktur untuk setiap peristiwa, dan mengubahnya menjadi graf pengetahuan. Kepentingan set data terbuka ini bukan sekadar data yang "lebih pantas dan lebih banyak", tetapi penyelidikan risiko bencana global sedang bergerak daripada statistik "apa yang berlaku" kepada pemahaman "mengapa demikian" dan "apa yang akan berlaku seterusnya".

Lata yang Diabaikan: Had Struktur Sistem Data Lama

Sistem perekodan bencana tunggal sudah agak matang di bawah rangka kerja antarabangsa, tetapi bencana dunia sebenar jarang kekal "tunggal". Taufan menyebabkan banjir, banjir menyebabkan bekalan elektrik terputus, bekalan elektrik terputus mencetuskan insiden sekunder—kesan lata berulang kali muncul dalam peristiwa iklim kebelakangan ini. Walau bagaimanapun, kebanyakan pangkalan data negara menggunakan bencana tunggal sebagai unit pendaftaran, serta interaksi antara bencana, perkaitan masa, dan kelemahan sosial hampir tidak kelihatan.

Pendekatan graf pengetahuan adalah untuk menguraikan peristiwa bencana kepada entiti dan hubungan, seperti "banjir menyebabkan tanah runtuh", "gelombang haba memburukkan kemarau". Set data ini bukan sahaja mengandungi peristiwa itu sendiri, tetapi juga struktur naratif "jalan cerita", bersamaan dengan mengubah entri statik menjadi plot dinamik. Bagi penggubal dasar, hubungan grafik lebih mudah mendedahkan punca risiko berbanding jadual kerugian.

Mengapa Sekarang: Lonjakan Kepintaran LLM dan RAG

Mengekstrak maklumat bencana daripada berita bukanlah perkara baharu. Sistem Pemantauan Media Eropah (EMM) telah lama mengagregatkan kandungan media, tetapi untuk mengekstrak secara tepat "siapa, bila, di mana, dan apakah kesannya" daripada teks bebas serta membentuk struktur bersatu, alat NLP tradisional tidak mampu berbuat demikian.

Model Bahasa Besar mengubah perkara ini: ia mampu memahami konteks, mengenal pasti hubungan sebab-akibat, dan menjana ringkasan. Manakala Penjanaan Tambahan Retrieval (RAG) menambat proses pengekstrakan pada korpus berita tertentu, mengurangkan risiko "halusinasi". Penyelidik menggunakan aliran kerja ini untuk menjana pelengkap bagi peristiwa dalam EM-DAT, dan mengesahkan kualiti data melalui penilaian pakar serta pelabelan bebas. Ini pada dasarnya adalah gambaran AI bergerak daripada "pencarian maklumat" kepada "pembinaan pengetahuan".

Kematangan teknologi menentukan bahawa kajian ini hanya boleh muncul pada masa kini. Selepas 2024, penyebaran LLM sumber terbuka dan rangka kerja RAG membolehkan pasukan akademik memproses puluhan juta artikel dengan kos yang lebih rendah. Teknologi graf pengetahuan juga bergerak ke arah pengurusan data saintifik. Beberapa trend bertemu di sini, membentuk "infrastruktur naratif bencana global" yang baharu.## Bencana Siapa, Naratif Siapa: Data Berita dan Selatan Global

Korpus set data ini berasal daripada EMM, sistem pemantauan yang menggabungkan berjuta-juta laman web berita. Liputan berita tidak sama dengan liputan realiti; ia lebih menyebelahi kawasan yang mempunyai infrastruktur media yang lebih kukuh. Tetapi berbanding dengan laporan kerajaan tradisional, sumber berita mempunyai kelebihan unik dalam menangkap peristiwa tidak formal dan pinggiran. Banyak peristiwa bencana di Selatan Global tidak mempunyai laporan statistik, tetapi selalunya terdapat liputan media tempatan. Oleh itu, perlombongan berita automatik, sedikit sebanyak, mengisi "defisit keterlihatan" dalam pangkalan data antarabangsa.

Ini juga membawa masalah geo-informasi baharu: sesiapa yang memiliki model dan kuasa pengkomputeran, dialah yang berpotensi mentakrifkan naratif bencana. Kajian ini memilih untuk membuka data dan kod, serta menyediakan papan pemuka interaktif, sebagai satu bentuk penentangan terhadap "tadbir urus kotak hitam". Dalam jangka panjang, pendemokrasian data bencana akan mempengaruhi peruntukan sumber bantuan antarabangsa, dan juga hala tuju dana penyesuaian iklim global.

Daripada Rekod Risiko kepada Teater Keputusan

Makna akhir kajian ini bukanlah untuk menghasilkan graf yang cantik, tetapi untuk menunjukkan satu masa depan yang sedang muncul: peta pengetahuan bencana global yang dikemas kini secara masa nyata, berpotensi menjadi sistem pengendalian asas bagi mekanisme pengurangan risiko bencana antarabangsa. Jika selepas amaran tsunami dikeluarkan, sistem dapat secara automatik mengambil peristiwa serupa dalam sejarah serta kesan latanya, lalu menjana "teater senario", keputusan bukan sahaja berdasarkan maklumat semasa, tetapi turut merangkumi kebijaksanaan sejarah yang berstruktur.

Sudah tentu, peta pengetahuan yang dijana AI masih tidak sempurna. Naratif bencana dalam bahasa dan budaya yang berbeza tidak sama, dan model mungkin memperbesar bias. Tetapi sebagai set data peta pengetahuan bencana berskala besar pertama yang berdasarkan berita global, ia menyediakan penanda aras yang boleh disahkan untuk penilaian risiko pelbagai jenis bencana. Para penyelidik secara khusus menegaskan bahawa set data ini saling melengkapi dengan sumber tradisional seperti Profil Maklumat Bencana UNDRR (HIPs), bukan menggantikannya. Ini mencerminkan sikap berhemah yang sepatutnya dimiliki oleh komuniti saintifik.

Dalam era apabila peristiwa iklim ekstrem menjadi kebiasaan, apa yang kurang dalam masyarakat manusia bukanlah amaran, tetapi keupayaan untuk mengubah amaran menjadi pemahaman berstruktur. Apabila model bahasa besar mula membaca setiap laporan tentang banjir dan gempa bumi di dunia, serta menganyamnya menjadi jaring pengetahuan yang saling berkaitan, kita mungkin sedang menyaksikan satu transformasi senyap dalam tadbir urus risiko global: daripada mengetahui apa yang berlaku, kepada memahami bagaimana segala-galanya berlaku.