文章主要内容与创新点总结一、主要内容该研究聚焦于利用大型语言模型（LLMs）从灾害相关社交媒体帖子中提取灾害影响类型及受影响地点，以解决传统权威数据（如传感器、遥感影像）在灾害响应中存在的地理时间信息缺口问题。研究背景：自然灾害常造成严重人员伤亡和基础设施破坏，而社交媒体作为"地理传感器"能实时提供灾害相关信息，但帖子中提及的地点既包含直接受影响地点，也包含无关地点，且影响类型缺乏细粒度区分，给灾害响应带来挑战。核心任务：构建标注语料库（DILC），涵盖19个不同类型灾害、11个国家的1461条推文，标注3359种灾害影响类型和1831个受影响地点。对比传统命名实体识别（NER）工具（如SpaCy、Flair）、预训练语言模型（如BERT、XLM-RoBERTa）与LLMs（如Llama、Mistral）在地点提取任务中的性能。设计提示工程策略（基础提示、角色提示、思维链提示）和后处理方法，优化LLMs对受影响地点和灾害影响类型的提取效果。对LLMs进行微调（采用LoRA低秩适配技术），提升模型在特定灾害场景下的提取精度。实验结果：Llama 3.3 70b在所有地点提取任务中表现最优，F1值达0.86，优于传统NER工具和预训练模型。微调后的Llama 3.2 3b模型在灾害影响提取上F1值达0.