چکیده در این مقاله نقش اطلاعات منبع باز (OSINT) را در مدیریت بحران مورد بررسی قرار می‌­دهیم. به‌­طور ویژه، کاربرد سیستم اسخراج رسانه‌­ی آزمایشگاه‌­های دریانوردی را در زمینه‌­ی عملیات امدادرسانی ارائه داده و از نمونه‌­هایی جهت نشان دادن مزایا و نقاط قوت سیستم (MM (Media Mining، استفاده می‌­کنیم. در انتهای این مقاله، چالش­‌های آینده در تحقیقات و توسعه‌­ی این حوزه مورد اشاره قرار خواهند گرفت.

  1. مقدمه

دسترسی به اطلاعات موجود و به‌­روز در شرایط بحرانی یا رخداد فجایع، بسیار ضروری است. رخدادهای غیرمترقبه نیاز به درک عمیق و جامع نسبت به شرایط مربوط به بحران و عوامل درگیر در آن دارند تا سیاست مناسب اتخاذ و پاسخی به‌­موقع شکل گیرد. به‌­ویژه در جامعه­‌ی اطلاعاتی امروز که به‌­سرعت درحال تغییر است، دسترسی به طیف وسیعی از منابع، شامل خوراک‌های(فیدهای) وب، بلاگ‌­ها، ایستگاه‌­های رادیویی و تلویزیونی تا رسانه‌­های اجتماعی می‌تواند در پاسخ به وقایع مهم نقش کلیدی ایفا کند.

منابع اطلاعاتی واقعی در ماهیت، کمیت، اعتبار و کیفیت بسیار متفاوتند. مقدار اطلاعات تولیدشده دائماً درحال رشد و تغییر کردن است. اطلاعات مدام در سرتاسر جهان به زبان‌­های مختلف و ازطریق طیفی از رسانه‌­ها، تولید می‌­شود. اطلاعات جدید را بنگاه‌­های خبری حرف‌ه­ای یا اشخاص در اینترنت می‌گذارند، تلویزیون و ایستگاه‌­های رادیویی منتشر می­‌کنند یا در رسانه‌­های اجتماعی نظیر توییتر و فیس­بوک، به بحث گذاشته می‌­شوند. مورد اخیر، بعد پیچیده‌­ی دیگری به ترکیب منابع افزوده است. تمام منابع بالا، از جهات مختلفی مثل کیفیت یا زبان مورد استفاده با هم متفاوتند، و به انواع خاصی از پردازش نیاز دارند.

زبان، نقشی حیاتی در این پردازش ایفا می­‌کند، چراکه اغلب یکی از مشکلات کلیدی در فجایعی با ابعاد جهانی این است که اطلاعات فقط از منابع محلی و به زبان‌­های بومی در دسترس هستند. برخی از فوری‌­ترین اطلاعات درمورد یک رخداد، ممکن است توسط خبرنگاران بومیِ کم‌­تجربه تولید شده باشند و سابقه‌­ی اندکی از آنها موجود باشد که بتواند به‌­طور مستقل مورد بررسی قرار گیرد.

منابع باز، راهی ارزان، سریع و کارآمد جهت ارزیابی موقعیت آنهایی به‌­دست می‌­دهند که در زمان یک بحران یا فاجعه، از آن تأثیر می‌پذیرند. این منابع، اطلاعات جمع‌­آوری شده توسط منابع سنتی و رسمی را تکمیل، تقویت و حتی شکار می‌­کنند. در بسیاری از موارد آنها امکان نقشه‌­برداری جغرافیاییِ رخدادها را فراهم می‌­آورند، این مسئله به‌­خصوص درمورد جمع‌­آوری اطلاعات با استفاده از منابع جمعی و برون‌­­سپاری صدق می­‌کند. تعداد و تنوع منابع به سازمان­‌ها کمک می‌­کند تا درستی و سطح اعتبار اطلاعات فراهم‌­شده را تخمین بزنند، بدین ترتیب امکان بروز پاسخ‌­های هدفمندتر و چرخه‌­ی تصمیم‌­گیری کوتا‌ه‌­تر را در شروع واکنش‌­های اولیه فراهم می‌سازند. یکی از پیش‌­فرض‌­های اساسی در مفهوم اطلاعات منبع باز این است که درواقع در منابعِ در دسترس عموم، موجودند و تنها کافی است جمع‌­آوری شده و در اختیار اشخاص درست در زمان درست قرار گیرند. با این‌­وجود این وظیفه‌­ای مهم، به‌­شدت پیچیده و طاقت‌‌فرسا است.

این پس‌­زمینه‌­ای است که آزمایش‌­ها در آن براساس سیستم رسانه کاویِ آزمایشگاه­‌های سِیل (سیستم MM) انجام شده‌­اند. ویژگی‌­هایی نظیر آنالیز ویدیویی، رونویسی سخنرانی و پیشرفت­ه‌ای جستجوی مبتنی بر هستی‌­شناسی با هم ترکیب شدند تا اطلاعاتی را فراهم سازند که بتوان آنها را در اختیار تحلیل‌گران و مرکز آگاهی از وضعیت قرار داد. جهت‌گیری ابتدایی سیستم به‌­سمت چندروشی ، چند زبانی و رفتارِ زمان واقعی گرایش داشته و می‌­تواند درعرض چند روز گسترش یابد.

. شرح و توصیف سیستم

سیستم MM، یک سیستم پیمانه­‌ای با هدف پوشش کامل سیکل گردش کاریِ OSINT، از فاز ملزومات تا فازهای انتشار و بازخورد است. این سیستم، به متخصصان OSINT توانایی استخراج سریع آنالیزهای معنادار از داده‌­های بدون ساختار را، در اشکال متنوع و در میان زبان­‌ها و منابع مختلف، می‌­دهد. تحلیل‌گران در طول کار خود، ازطریق فراهم ساختن ابزارهایی مورد حمایت قرار می‌­گیرند که به آنها امکان کشف و جستجوی بصری حجم بالایی از داده‌­ها را براساس مأموریتشان و زمینه­‌های اطلاعات می­‌دهد. انباشتگی و تراکم اطلاعات، منابع مربوطه در طول زمان و درمیان رسانه‌­ها، پایه‌­هایی را می‌­سازند که تحلیلگران می‌­توانند براساس آنها وظایف خود را انجام دهند. این سیستم هرچند باز است، اما واقعاً سیستم کاملی است که می‌­تواند در محیط موجود ادغام شود. هدف آن، پشتیبانی از فرآیندها و مراحل موجود است. گردش‌­های کاری موجود می­‌توانند برای کاربران، ابقا، اصلاح و تسهیل شوند.

سیستم MM متشکل از مجموعه‌­ای از فن­آوری‌­هاست که در قالب اجزا و مدل‌­هایی بسته­‌بندی و به‌­صورت سیستمی واحد برای استقرار پایان به پایان، ترکیب شده است. تعدادی از مجموعه ابزارها (toolkit) به کاربران نهایی اجازه می‌دهد تا مدل­‌ها را توسعه داده و اصلاح کنند تا به محیطی بسیار پویا، پاسخی انعطاف‌­پذیر بدهند. معماری کلی سیستم MM، از نوع سِرورمشتری است و امکان استقرار اجزای مختلف روی رایانه‌­ها و پایگاه‌­های متنوع را فراهم می‌آورد. نیازی به حضور همه‌­ی اجزا و فن­آوری‌ها از همان ابتدا، وجود ندارد و موارد یادشده می‌­توانند به‌­تدریج درطول زمان اضافه شوند. ترکیب تغذیه‌­کننده‌­ها، نمایه‌­سازها و سرورهای متعددی (که تغذیه‌­کننده­، نمایه‌­ساز و سرور رسانه‌­کاو نیز خوانده می‌­شوند) برای تشکیل یک سیستم کامل هم ممکن است.

شکل ۱ نگاهی اجمالی به اجزای سیستم MM و فعل و انفعال آنها دارد.

شکل ۱ ساختار کلی سیستم MM

الف. جریان داده به‌­طور کلی

داده­‌ها ازطریق سیستمی موسوم به تعذیه‌­کننده­‌های رسانه‌­کاو وارد شده و سپس از یک سری مراحل پردازش عبور می‌کنند. داده‌­های چندرسانه‌­ای به مسیرهای پردازشی صوتی و تصویری تفکیک می‌­شوند. داده‌­های صوتی، جهت شناسایی گوینده، واژگان بزرگ و تشخیص گفتار خودکار،  وارد نمایه‌­ساز رسانه­‌کاو (MMI) می‌­شوند. برای داده‌­های تصویری، زنجیره‌­ی پردازش شامل استخراج فریم کلیدی، ردیابی و شناسایی چهره‌­ها و ردیابی متن و متعاقب آن تشخیص کاراکتر نوری (OCR) می‌­شود. داده‌­های متنی، شامل متونِ فیدها و منابع رسانه‌­های اجتماعی، و هم­چنین خروجی ارسال و دریافت اتوماتیک (ASR)، پیش از قرار گرفتن تحت پردازش ردیابی ماهیت مشخص و ردیابی عنوان، طی مراحل متعدد به‌هنجارسازی، پردازش می‌­شوند.

اسناد حاصل از مسیرهای مجزا، در انتهای پردازش باهم ترکیب شده (ترکیب نهایی) و همراه با نسخه‌­ی فشرده‌­ای از فایل­‌های رسانه‌­ای اصلی، بر روی سرور رسانه‌­کاو (MMS) بارگذاری می‌­شوند، یعنی جایی که برای جستجوی متن کامل و بازیابی، در دسترس قرار می‌گیرند.

ب. تغذیه کننده‌­های رسانه‌­کاو

تغذیه­‌کننده‌­ها، رابط ورودیِ سیستم MM را به دنیای خارج ارائه می‌­دهند. برای ورودی صوتی یا ترکیب صوتی/تصویری، انواع فرمت‌­ها می­‌توانند از منابع خارجی جذب و توسط اجزای بعدی، پردازش شوند. در کار با ورودی متن، مثل داده‌­های صفحات وب، RSS-feedها، ایمیل‌­ها، وبلاگ‌­ها و منابع رسانه‌­های جمعی، تغذیه‌­کننده­‌های مجزایی وجود دارند که اطلاعات مربوطه را از این منابع استخراج کرده و آنها را به اجزای پردازشگر متن می­‌سپارند. تغذیه‌­کننده‌­های اضافی برای منابع بیشتر، می‌­توانند با کمترین کوششی اضافه شوند. این مسئله، امکان پاسخ دادن سریع­تر به محیط‌­های متغیر و منابع جدید داده را فراهم می‌­سازد.

ج. نمایه‌­ساز رسانه­‌کاو (MMI)

MMI در سیستم رسانه‌­کاو (MM) ، برای قابلیت‌­های پردازش متن و صوت، نقش مرکزی را ایفا می‌­کند. این نمایه‌­ساز از یک رشته فن­آوری و مدل‌­های مربوط به آن تشکیل شده که تحلیل‌های متنوعی را بر روی محتوای صوتی و متنی انجام می‌­دهد. نتایج پردازش، با غنی‌سازی تدریجی ساختارهای XML، ترکیب شده و می‌­توانند به روش‌­های مختلف ازطریق اطلاعات زمان‌­بندی موجود در ساختارهای مشروح، به هم متصل شوند. برای پردازش تعدادی از زبان‌های طبیعی، که تاکنون چهارده زبان بوده، برای اجزای MMI، امکاناتی نظیر ASR در دسترس است. مدل­‌هایی برای این زبان‌­ها توسط آزمایشگاه­‌های سِیل با همکاری سازمان‌­ها و مشتری‌­های شریک وی، توسعه یافته‌­اند و یک منطقه­‌ی فعال توسعه را شکل می‌­دهند.

پردازش صوتی شامل تقطیع و طبقه­‌بندی جریان صوتی ورودی، شناسایی گویندگان (SID)، و/یا جنسیت گوینده و تشخیص خودکار گفتار (ASR) می‌­شود.

سیگنال صوتی، پس از آنکه به‌­وسیله­‌ی تغذیه‌­کننده به فرمت مناسب تبدیل شد، پردازش شده و به قطعات همگنِ گفتار و غیرگفتار تقطیع می‌­شود. قطعات گفتاری پردازش می­‌شوند تا هویت گوینده مشخص شود و سپس به بخش ASR سپرده می‌­شوند. ASR برای رمزگشاییِ واژگان بزرگ، مستقل از گوینده، چند زبانی، و زمان واقعیِ گفتار پیوسته طراحی شده است و با به‌­کارگیری مجموعه­‌های مختلفی از مدل­‌ها، به‌­شیوه‌­ای چندگذری و هم­زمان، تشخیص گفتار را انجام می‌­دهد. متعاقباً، به‌هنجارسازی متن و هم­چنین پردازش مستقل از زبان انجام می‌­شود تا نتیجه‌­ی رمزگشایی نهایی در قالب XML حاصل شود. جزء ASR مستقل از زبان بوده و می‌­تواند با مدل‌های متنوعی که برای انتخاب‌­های مختلف زبان و پهنای باند ساخته شده‌­اند، اجرا شود.

پردازش متن شامل به‌هنجارسازی و پردازش خاص زبان متن (برای متونی که خروجیِ جزءِ ASR هستند یا توسط تغذیه­‌کننده‌­های متن فراهم شده‌­اند)، حاشیه‌­نویسی ماهیت‌­های مشخص نظیرِ و نه صرفاً افراد، سازمان‌­ها یا مکان‌­ها و تقطیع و طبقه‌­بندی متن بخش‌­ها براساس عنوان می‌­شود(ردیابی عنوان). سیستم NED براساس الگوها و هم­چنین مدل‌­های آماری بنا شده که حول محور کلمات و ویژگی‌­های کلمات تعریف شده­‌اند و در مراحل متعددی اجرا می‌­شود. جزء ردیابی عنوان (TD) ابتدا بخش­‌های متن را طبق سلسله‌­مراتب ویژه‌­ای از عناوین طبقه­‌بندی می­‌کند و سپس با قرار دادن بخش‌­های مشابهِ مجاور در یک گروه، داستان‌­هایی منسجم می‌سازد. مدل‌­های به­‌کار رفته برای TD و تقطیع داستانی، براساس ماشین‌­­های بُردار پشتیبانیِ (SVM) دارای شالوده‌­ی خطی، بنا شده‌­اند.

پردازش بصری در حال حاضر شامل ردیابی و شناسایی چهره­‌ها و هم­چنین متن درج شده در سیگنال ویدیویی است. این‌ها، اطلاعات استخراج شده از جریان صوتی را تکمیل می‌­کنند. (تمامی اجزای پردازش بصری از نوع شخص ثالث هستند که با همکاری شرکا توسعه یافته و در سیستم MM ادغام شده‌­اند). درخصوص تشخیص چهره، چهره‌­ها در ابتدا مکان­یابی می‌شوند و سپس یک مرحله‌­ی بازشناسی روی آنها انجام می‌­گیرد. اطلاعات زمانی موجود، با اجرای یک دنبال‌­کننده و انجام بازشناسی روی مکان‌­های تصویر شناخته‌­شده، به‌­کار گرفته می‌­شوند.

شناخت کاراکتر نوری (OCR) بر روی صفحه نمایش، هریک از فریم‌­هایی را پردازش می­‌کند که از جریان ویدیوی زنده در فواصل منظم استخراج می‌­شود. نواحی پایداری که احتمال دارد حاوی کاراکترهایی باشند شناسایی و با هم دسته‌­بندی شده و به Tesseract OCR engine داده می‌­شوند که استخراج متن واقعی را انجام می‌­دهد. در مرحله‌­ی پس از پردازش، ردیابی‌­ها با استفاده از یک دیکشنری انطباق داده شده و با اعتبارسنجیِ ردیابیِ OCR فیلتر می‌­شوند.

براساس برچسب­‌های زمانی، خروجی­‌های XML حاصل­‌ از تمامیِ فن­آوری‌­های مختلف باهم ترکیب (آمیخته) می‌شوند تا یک نتیجه‌­ی نهایی حاصل شود که متعاقب آن روی سرور، بارگذاری شده و برای جستجو و بازیابی در دسترس قرار می‌گیرد.

تمامی پردازش­‌ها می‌­توانند به ­نحوی سامان یابند که در لحظه رخ بدهند یا برای تأکید بر کیفیت نتایج، از مدت زمان پردازش هزینه کنند. مجموعه ابزارها در قالب فن­آوری‌­های مختلفی ارائه شده‌­اند تا امکان ایجاد پسوند آسان و اقتباس از مدل‌­ها را فراهم آورند.

د. سرور رسانه­‌کاو و مشتری (MMS و MMC)

MMS از سرور واقعی که برای ذخیره­‌ی XML مورد استفاده قرار می‌­گیرد و فایل‌­های رسانه‌­ای تشکیل می‌­شود، به‌­علاوه‌­ی مجموعه‌­ای از ابزارها و واسط‌­هایی که برای به‌­روزرسانی و جستجو در محتویات پایگاه داده به‌­کار می‌روند. MMS به‌­عنوان قطب مرکزی خدمت می‌کند که همه­‌ی داده‌­های تولیدشده توسط MMI به آن فرستاده شده و همه‌­ی تحلیل‌­ها و تصویرسازی­‌ها از آن نشأت می‌­گیرد. اجزای ادغام شده در MMI شامل سرور چندرسانه‌ای برای پخش محتوای چندرسانه‌­ای، ژئو سرور برای پردازش تصویر نقشه و نمایش منابع داده‌­ی زیربنایی، یک سرور ترجمه­ (شخص ثالث) برای ترجمه‌­های هم­زمانِ رونوشت‌­ها و سندها، و Oracle 11g  که همه‌­ی ویژگی‌­های جستجو و بازیابی را فراهم می‌­سازد. فن­آوری‌­های معناییِ ایجاد شده توسط اُراکل، اساس تمام عملیات درون سیستم MM را تشکیل می‌­دهد.

تمامی تعاملات کاربر ازطریق MMC اتفاق می‌­افتد. MMC مجموعه‌­ای از ویژگی‌­ها را ارائه می‌­کند که به کاربران اجازه می‌دهند محتویات داده‌­های ذخیره شده در MMS را جستجو کرده، با آنها تعامل داشته باشند و آنها را تجسم و به‌روزرسانی کنند. کاربران می‌توانند جستجو کنند، محتویات را بارگذاری نمایند، درخواست ترجمه بدهند یا حاشیه‌نویسی­‌هایی را به اسناد ذخیره‌­شده بیافزایند. اسناد، نتایج و خلاصه‌­ی جستجوها می‌­توانند از زوایای مختلف دیده و دستکاری شوند، قابلیتی که به کاربر اجازه می‌­دهد ابتدا روی جنبه­‌های مربوطه متمرکز شود و مسائل مربوط را بیشتر و جزئی­تر کندوکاو کند. می­‌توان از ترکیب تجسم و جستارها جهت کشف مجموعه داده­‌ها و رسیدن به بینشی عمیق‌­تر بهره گرفت.

مکان‌­های ردیابی‌­شده در اسناد می‌­توانند ازطریق مختصات جغرافیایی در نقشه‌­ای ترسیم شوند. روابط میان چیزهای ردیابی‌­شده می‌تواند ازطریق نمودار رابطه‌­ای، به تصویر درآمده و مورد کندوکاو قرار گیرد. روند مشاهده، اشخاص را با رخدادها درطول زمان مربوط می‌­سازد، و به‌­این ترتیب امکان مشاهده‌­ی رفتار زمانی آنها را فراهم می‌­آورد. یک مشاهده­‌ی گروهی اشخاص را با منابعی که به آنها اشاره کرده‌­اند مرتبط می‌­سازد، و درنتیجه امکان مقایسه‌­ی گزارش‌­ها با عناوین یا رخدادهای واحد را ایجاد می‌­کند. بدین ترتیب ممکن است پیچش­ و زوایای گزارش‌­ها  بیرون کشیده شود و با کشف داده­‌های متضاد، مقاصد پنهان خود را نشان دهند. اطلاعات برگرفته از هستی‌­شناسی برای گسترش دادن دامنه‌­ی واژگان جستجو به واژگان معناشناسی، جستجوها را اصلاح و هدایت کرده و نتایج جستار را ارائه می‌کنند. نتایج جستارها طبق نوع سند ارائه می‌­گردد. مثلاً برای اسناد صوتی/تصویری، علاوه‌­بر رونوشت هماهنگ با زمان، اسامی گویندگان یا اشخاصِ شناسایی شده در تصویر نیز نمایش داده می‌­شود و پخش هم­زمانِ محتوای صوتی و تصویری صورت می‌­گیرد. برای اسناد متنی، متن (استخراج‌­شده) و هر نوع سند مربوطه (فایل PDF برای محتوای وب) نمایش داده می‌­شود.

برای مقاصد دیده‌­بانی، یک واسطه­‌ی بیشتر، یعنی اتاق بحران آزمایشگاه‌­های سیل، در دسترس قرار دارد که امکان دیده‌­بانی هم­زمان، اعلام خطر و جستجوی اطلاعاتِ ورودی زنده­‌ی تلویزیونی را فراهم می‌­سازد.

در تنظیمات معمول، MMIهای متعددی (تا صدها عدد) که با هم روی منابع و کانال‌­های مختلف کار می‌­کنند، به‌­صورت مداوم به گردآوری داده‌­های ورودی مشغولند؛ درحالیکه در همان زمان، تحلیل‌گران ازطریق MMCهای متعدد به MMS متصل هستند.

  1. جستجوهای نمونه‎­ای

زمانی که در پاییز سال ۲۰۱۱ سیل به طور کامل پایتخت تایلند را فرا می‌­گرفت، چالش اصلی، ارزیابی کردن به‌­روز و صحیح شرایط بود. با درنظر گرفتن سردرگمی که اغلب در چنین شرایط بحرانی مستولی می‌­شود، این دست اطلاعات برای برنامه‌­ریزی و راه‌­اندازی عملیات امدادرسانی ضروری است. این نکته که ناو هواپیمابر نیروی دریایی آمریکا در این منطقه بیکار و سرگردان مانده بود و سپس بدون هیچ فعالیتی محل را ترک کرد، ابعاد فشار بالقوه‌­ی دسترسی نداشتن به اطلاعات مناسب را نشان می­‌دهد. از سوی دیگر، در همان زمان، اطلاعات کاملاً دقیقی، از سوی رسانه‌­های خبریِ پیشروی حاضر در منطقه، بر روی صفحات وب در دسترس بود.

«این که ارتش آمریکا درباره‌­ی جهت‌­گیری دولت تایلند نسبت به کمک خود دچار سردرگمی شده و درنتیجه ناو هواپیمابر را برگردانده بود کاملا صحت دارد، اما باز هم یک کشتی و دو هلیکوپتر در صورت نیاز به کمک، برای ما باقی گذاشته بود.»

فرضاً، اطلاعات لازم در زمان درست و با کیفیت مناسب، در اختیار تصمیم‌­گیران قرار گرفته است. متأسفانه این نوع سردرگمی اطلاعاتی به مثال بالا محدود نمی­‌شود بلکه در شرایط بحرانی بسیار فراگیر است و در موارد زیادی می‌­تواند منجر به وحشت شود. مثال جدیدتری نشان می‌­دهد که در حال ظهور، تشخیص الگوهای بحث تا چه اندازه ضروری است.

در مثال خود فرض می­‌کنیم که منبع اطلاعاتی اولیه‌­ی ما، از رسانه‌­ی سنتی به خصوص از یک روزنامه‌­ی محلی گرفته شده است. مقاله‌­ی روزنامه درمورد وقوع زمین­‌لرزه‌­ای در نزدیکی شهر راونای ایتالیا به ما هشدار می‌­دهد. حالا با این اطلاعات می­‌توانیم منابع بیشتری مثل توییتر را جستجو کنیم. در میان توییت‌­های یافته شده، مورد زیر بسیار جالب توجه است، چراکه لینکی به صفحه وب مربوط به سونامی را شامل می‌­شود:

دنبال کردن این لینک و انجام بررسی‌­های بیشتر، به‌­سرعت نشان می­‌دهد که ترس از سونامی در محدوده‌­ی اطراف راونا در حال رشد است.

 در علم نرم‌­افزار، به جزء نرم‌­افزاری قابل استفاده‌­ی مجدد گفته می‌­شود که برای فروش یا پخش رایگان توسط یک نهاد به‌­جای فروشنده‌­ی اصلی پایگاه توسعه ، ایجاد شده است. (م.)

شکل ۲ اسکرین شاتی از Tocus.it

در شرایط تصمیم‌­گیری، تأکید بر پیام‌­هایی نظیر توییت آرامش‌­بخش زیر، که به کم­‌کردن تنش در بحثی بسیار داغ کمک می‌­کنند، خالی از لطف نیست:

وقتی فهمیدیم که اطلاعات ارزشمندی در دسترس است، گام بعدی رسیدن به درک بهتری از شرایط با استخراج روابط در یک نمودار رابطه‌­ای است.

شکل ۳ نمودار رابطه‌ای

همان­طور که در نمودار بالا دیده می‌­شود، به‌­وضوح می‌­توان میان مناطق زمین‌­لرزه در ایتالیا و تصویر جهانی، روابطی برقرار کرد. از آمارهای موجود می­‌توان به درک بهتری نسبت به این مسئله رسید که آیا بحث مبتنی بر توییتر مثل مورد بالا، یک رخداد منفرد و مجزاست یا اینکه درواقع فعالیت پایداری را موجب می‌­­شود.

شکل ۴ نمودار روند کار

نمودار بالا فراوانی تعداد دفعاتی را نشان می‌­دهد که در اسناد به اشخاص در طول زمان اشاره شده است و تأیید می‌­کند که هیچ وحشت پایداری توسط گزارش‌­های رسانه‌­ای و بحث‌­های توییتر آغاز نشده است، چراکه میزان فعالیت آنها، تنها به یک روز محدود شده است.

در مواقعی که می‌­بایست به منطقه‌­ی فاجعه‌­زده امداد و تجهیزات پزشکی رساند، دانستن این نکته که اوضاع آرام است و هیچ وحشت و نگرانی در برنامه‌­ریزی و انجام عملیات امدادرسانی وجود ندارد، ضروری است.

  1. مزایای بالقوه

یکی از مهم­ترین درس­‌هایی که از تجاربمان درمورد سیستم خود آموختیم، این است که هرچند اطلاعات در دسترس قرار دارند اما چالش اصلیِ آماده کردن آنها جهت استفاده­‌ی تصمیم‌­گیرندگان انسانی، هنوز پابرجاست. کاهش سیل اطلاعات و آشفتگیِ شایع در اغلبِ موقعیت‌­های بحرانی با جستجوی هدفمند و دربرگیرنده­‌ی منابع چند زبانی و چند رسانه‌­ای، می‌­تواند منجر به بهبود چشم­گیر اساس تصمیم‌­گیری‌­ها و واکنش به‌­موقع شود. این نکته هم­چنین به مستندسازی و توجیه علت گرفته شدن یک تصمیم، یاری می‌­رساند.

ترجمان نکته‌­ی فوق در مثال ما، معادلِ توانایی کاهش دادن تعداد سناریوهای بالقوه‌­ای است که عملیات تسکین فاجعه، با آن مواجه خواهد بود. در مورد مذکور این بدان معناست که وحشت در وضعیت موجود می‌­تواند از بین برود و درنتیجه واحدهای مجری قانون و پاسخ نظامی می­‌توانند بر کمک­‌های اولیه و وظایف مهندسی خویش تمرکز کنند. آگاهی نیروهای تسکین فاجعه (آمبولانس‌­ها و آتش‌نشان‌ها) از اینکه وارد منطقه‌­ای آرام و پایدار خواهند شد، بدون شک ازلحاظ روانی تأثیر مثبتی بر آنها خواهد گذاشت.

  1. دورنما و نتیجه‌­گیری

با گسترش سیستم MM و آزموده شدن آن در همکاری با سازمان‌­های دولتی متعدد، در حال حاضر در جایگاهی قرار داریم که می‌­توانیم با سیستم‌­های برنامه‌­ریزی و پشتیبانی از مأموریت در مواقع اضطراری و مدیریت بحران، همکاری و رابطه‌­ی نزدیک­تری داشته باشیم. جالب­ترین پرسش­‌های جستجو درمورد این همکاری، احتمالاً در حوزه‌­ی توسعه­‌ی روابط کارآمد، مدل داده‌­ها و معناشناسی خواهد بود. در پروژه‌­های پژوهشی آینده، از نقطه‌نظری عملی به پرسش‌­های تکنیکی و سازمانیِ مربوط به همکاری میان واحدهای مختلف امداد، توسط نویسندگان پرداخته خواهد شد.

این مطلب ترجمه‌ی مقاله‌ای تحت عنوان Open Source Intelligence in Disaster Management است که در کنفرانس اطلاعات و امنیت اطلاعاتی ۲۰۱۲ اروپا ارائه شده بود.

استفاه از مطالب فوق با ذکر منبع (سایت جامع) آزاد است.

ما را در شبکه‌های اجتماعی دنبال کنید.

دیدگاه خود را ارسال کنید...