In this work, we have made several

In this work, we have made several contributions. We
demonstrated how machine learning can be used to detect
small scale incidents with high precision. In this case, we
contribute the first classifier to detect three different types of
small scale incidents with 82.2% precision and 82% recall.
Furthermore, we examined the user behavior during small
scale incidents and showed that a variety of individual users
share small incident related information and that those users
are reporting faster than official sources.
For future work, it might be interesting to do a qualitative
analysis of the content shared by citizens. E.g., a differentiation
which information really can contribute to increasing
situational awareness is necessary. Furthermore, the analysis
should be extended throughout different cities.

ผลลัพธ์ (ไทย) 1:

ในงานนี้ เราได้ทำผลงานหลาย เราสาธิตวิธีการใช้เรียนรู้เครื่องตรวจหาปัญหาขนาดเล็ก มีความแม่นยำสูง ในกรณีนี้ เรานำ classifier แรกสืบสามประเภทปัญหาขนาดเล็กกับการเรียกคืนความแม่นยำและ 82% 82.2%นอกจากนี้ เราตรวจสอบลักษณะการทำงานของผู้ใช้ในขนาดเล็กขนาดปัญหา และพบว่าความหลากหลายของแต่ละคนแบ่งปันข้อมูลที่เกี่ยวข้องแก้ไขปัญหาขนาดเล็กและผู้ใช้มีรายงานเร็วกว่าแหล่งอย่างเป็นทางการสำหรับการทำงานในอนาคต มันอาจจะน่าสนใจที่จะทำเป็นเชิงคุณภาพการวิเคราะห์เนื้อหาที่ใช้ร่วมกัน โดยประชาชน เช่น การสร้างความแตกต่างข้อมูลที่จริง ๆ สามารถนำไปสู่การเพิ่มความตระหนักในสถานการณ์จำเป็น นอกจากนี้ วิเคราะห์ควรขยายทั่วเมืองต่าง ๆ

ผลลัพธ์ (ไทย) 2:

ในงานนี้เราได้ทำผลงานหลาย เรา
แสดงให้เห็นว่าการเรียนรู้เครื่องสามารถนำมาใช้ในการตรวจสอบ
เหตุการณ์ที่เกิดขึ้นขนาดเล็กที่มีความแม่นยำสูง ในกรณีนี้เรา
มีส่วนร่วมในลักษณนามแรกในการตรวจสอบสามประเภทที่แตกต่างกันของ
เหตุการณ์ที่เกิดขึ้นขนาดเล็กที่มีความแม่นยำ 82.2% และการเรียกคืน 82%.
นอกจากนี้เราตรวจสอบพฤติกรรมของผู้ใช้ในช่วงที่มีขนาดเล็ก
ขนาดและเหตุการณ์ที่เกิดขึ้นแสดงให้เห็นว่ามีความหลากหลายของผู้ใช้แต่ละคน
แบ่งปันเหตุการณ์ที่เกิดขึ้นเล็ก ๆ ที่เกี่ยวข้อง ข้อมูลและการที่ผู้ใช้
มีการรายงานแหล่งที่มาได้เร็วกว่าอย่างเป็นทางการ.
สำหรับการทำงานในอนาคตก็อาจจะมีที่น่าสนใจที่จะทำคุณภาพ
การวิเคราะห์เนื้อหาที่ใช้ร่วมกันโดยประชาชน เช่นความแตกต่าง
ที่ข้อมูลจริงสามารถนำไปสู่การเพิ่ม
การรับรู้สถานการณ์เป็นสิ่งที่จำเป็น นอกจากนี้การวิเคราะห์
ควรจะขยายไปทั่วเมืองที่แตกต่างกัน

ผลลัพธ์ (ไทย) 3:

ในงานนี้เราได้ทำหลายผลงาน เรา
แสดงวิธีการเรียนรู้ของเครื่องสามารถใช้ตรวจสอบ
เหตุการณ์ขนาดเล็กที่มีความแม่นยำสูง ในกรณีนี้เรา
ส่วนแรกตัวตรวจจับสามชนิดที่แตกต่างกันของ
ขนาดเล็กเหตุการณ์ 82.2% % ความแม่นยำและ 82% เรียกคืน .
นอกจากนี้ เราตรวจสอบพฤติกรรมของผู้ใช้ในช่วงขนาดเล็ก
ขนาดเหตุการณ์และมีความหลากหลายของผู้ใช้แต่ละเหตุการณ์เล็ก ๆ ที่เกี่ยวข้องกับข้อมูลที่แบ่งปัน

มีรายงานว่าผู้ใช้เหล่านั้นและเร็วกว่าแหล่งที่มาอย่างเป็นทางการ .
สำหรับการทำงานในอนาคต มันอาจจะน่าสนใจที่จะทำวิเคราะห์คุณภาพ
ของเนื้อหาที่ใช้ร่วมกันโดยประชาชน ได้แก่ ความแตกต่าง
ซึ่งข้อมูลจะมีส่วนช่วยเพิ่ม
ความตระหนักในสถานการณ์ที่จำเป็น นอกจากนี้การวิเคราะห์
ควรจะขยายไปเมืองต่างๆ