科技精准救灾，人肉算法的人机协同是未来趋势

（原标题：科技精准救灾，“人肉算法”的人机协同是未来趋势） 澎湃新闻特约撰稿 任珏天灾来袭，人类有没有足够的能力预警或者应对灾难？答案是肯定的，问题是，这种管理灾难的能力在科技助力下，到底能发挥多大的效力？科技救灾从数据地图到灾情播报机器人据36氪报道，九寨沟地震前第一条预警消息，来自于成都市高新区减灾研究所所长王暾及其团队研发，并与四川阿坝州防震减灾局联合建立的ICL地震预警系统，该系统提前71秒通过手机及专用终端为成都市发出预警信息，并且提前19秒为甘肃陇南市发出预警。另有中国地震台网消息，灾后第一时间发布灾情新闻来自于他们从2015年开始自主研发的“地震信息播报机器人”， 25秒内写了500余字，配上5张地震信息图，在第一时间在多个平台播报地震信息，1分钟内可覆盖上亿人群

（原标题：科技精准救灾，“人肉算法”的人机协同是未来趋势）

澎湃新闻特约撰稿 任珏

天灾来袭，人类有没有足够的能力预警或者应对灾难？

答案是肯定的，问题是，这种管理灾难的能力在科技助力下，到底能发挥多大的效力？

科技救灾从数据地图到灾情播报机器人

据36氪报道，九寨沟地震前第一条预警消息，来自于成都市高新区减灾研究所所长王暾及其团队研发，并与四川阿坝州防震减灾局联合建立的ICL地震预警系统，该系统提前71秒通过手机及专用终端为成都市发出预警信息，并且提前19秒为甘肃陇南市发出预警。另有中国地震台网消息，灾后第一时间发布灾情新闻来自于他们从2015年开始自主研发的“地震信息播报机器人”， 25秒内写了500余字，配上5张地震信息图，在第一时间在多个平台播报地震信息，1分钟内可覆盖上亿人群。

科技救灾在过去10年以来并不少见。早在2007年秘鲁地震之后，IBM便研发了一款开源软件Sahana（撒哈拉），以数字地图的形式将各类灾情信息发布在地图上，供救助者第一时间全局掌握灾情信息。

开源软件Sahana（撒哈拉）

2008年汶川地震，百度在震后第三天迅速上线了“汶川地震寻人吧”，主要以论坛发帖的方式，进行受灾群众的救助信息发布。

2010年海地地震之后，谷歌上线Google寻人工具，在多语言协同工作的情况下，提供卫星云图、庇护所、路况信息、电力信息等。2010年里约热内卢洪灾和泥石流灾难之后，该市采用IBM研发的城市运营中心进行各方危机数据的整合管理。

2013年IBM上线全新的智能城市运营中心，进一步强化在智能城市环境下的危机应急管理能力。

IBM的智能城市运营中心，图片来自IBM官网

IBM“智能运营中心”提供一种“假设”操作模式，对某一类应急管理会带来的后续效果进行预演测试。

2011年成立的人道主义开放街道地图Humanitarian Open Street Map Team，是一个以网络志愿者进行数据众包的志愿者网络，通过招募志愿者在Open Street网站进行实时的救灾、寻人信息的发布和绘图。

人道主义开放街道地图

2012年由科技公司Thoughts Work和UNICEF联合开发的开源软件The Rapid Family Tracing and Reunification System（RapidFTR）用于乌干达的难民营用于帮助寻找在灾难中走失的儿童。救助机构能够在手机上输入儿童信息并进行地理位置跟踪，以便走失儿童的父母可以第一时间通过这个数据库寻找到自己在灾难中失散的孩子。

2013年雅安地震，益云救灾地图有效地实时统筹救灾需求和救灾资源信息、发布制数字化救灾信息地图，并结合地图进行线上需求、资源人工配对，通过志愿者团队的“人手数据清洗”，使得原本混杂在海量的祈祷、情绪化和灾情问询的社交媒体中的灾情需求信息，第一时间被精准提取出来，并在数字地图上进行精准的信息定位，帮助一线救灾团队及时发现灾情的盲区。

益云救灾地图

2015年4月25日尼泊尔地震，大疆派出工作人员，教会当地人使用精灵Phantom 3对村庄进行绘测，很快获取了当地的3D地图，并迅速统计出建筑损毁状况和具体地点。

2017年6月7日，facebook研究院宣布facebook上线“救灾地图”，通过“密度地图”、“运动地图”、“安全确认地图”三大数据集，实时显示灾后实时的灾区人口密度、人群流动轨迹和经过确认的灾民安全信息。Facebook的全球用户化身成为“人肉数据传感器”，所有第一时间接触到灾难信息的脸书用户都能成为救灾数据志愿者，投入到灾情数据的收集行动中去。数据通过脸书用户收集之后，Facebook会采取“时间聚合”、“空间聚合”，“空间平滑”等数据算法进行分析，在地图页面进行可视化呈现。

Facebook“救灾地图”，图片来自Facebook研究院官网

长年服务于救灾领域的卓明灾害信息服务中心，也通过志愿者众包数据，绘制的“2017四川九寨沟7.0级地震社会组织行动分布地图”，如下图：

2017四川九寨沟7.0级地震社会组织行动分布地图

科技救灾中的人因算法

灾难救助，是一项非常需要以人为本的人道主义救援。每一次科技助力救灾，都离不开人的参与。

越来越多的新兴科技手段运用到灾难救助和灾后援助行动中，当我们已经可以通过人工智能算法进行地震预警和报道地震灾害的时候，高新科技如何为救灾队员提供及时、有效的服务，科学的提高灾难救助和应急管理的有效性成为了当下智慧城乡管理中最核心的问题。

如果说地震的发生时间和震级可以采用震源监测仪器监测，关于地震的消息可以通过文本分析算法实时进行新闻播报，但是在灾难救助过程中，有关人的需求、行动和资源调配情况，以及救灾队员在行动中的体能、健康状况相关的人的数据，很难通过监测仪器进行实时管理。这些和人有关的数据，则需要通过第三方的“人肉传感器（human sensor）”，例如数据地图志愿者、一线的灾情报道者等，通过现场观察和记录，进行数据收集和整理，上传到云端，辅助救灾决策。当科技救灾成为主流话语时，由于对救灾硬件和软件的依赖，往往忽略了对救灾数据工具的用户体验和救灾数据管理的重要性。

笔者曾在雅安地震中，担任益云救灾地图数据志愿者团队的负责人，在众包绘制雅安救灾地图的过程中，笔者发现，救灾队员并不会第一时间采用新的数字化救灾工具。基于时间紧急的环境下，他们往往会采用自己信任和熟悉的沟通工具进行救灾沟通，例如在有足够熟悉的信息采集员的QQ群里发送消息，或者通过电话直接和各方救灾伙伴进行沟通等等。在这种情况下，“强行插入”的科技救灾工具，不但没有有效的“安装”到救灾现场，科技救灾工具很难发挥出有效的助力作用反而成为了一线救灾人员的负担。

同样是在雅安信息救灾过程中，微信群也在信息救灾中发挥了巨大的作用。救灾队员、志愿者、当地群众，通过微信群，迅速汇聚到一起，信息堆叠达到了最大化。但是由于信息发布过于便利，对于信息发布、传播的格式、节奏和数据量没有人为的信息流量控制，越是人群密集的微信群，信息超载导致的“信息洪水”频频出现，救灾队员们很难在这些“数据泥石流”中寻找到有用的信息，导致了需求和救灾资源不能及时匹配，延误了救灾。

归根到底，科技工具用于救灾，核心用户是受灾群众及救灾行动者。如果科技工具在数据收集、数据传递和数据管理上忽略使用者的数据、时间和沟通效果的可受性（affordance），科技救灾工具不是被用户弃用就是采集不到精准准据用于决策，这样一来，“数字化救灾的次生灾害”就伴随着科技工具的使用出现了。

因此，考虑到一线救灾队员使用科技救灾工具的用户体验，才能更好的发挥科技救灾工具的科学效力。在2014年8月18日四川大学-香港理工大学灾后重建学院、益云地图合作的“8.03鲁甸信息救灾用户体验工作坊”上，参加鲁甸救灾的各机构负责人志愿者纷纷吐槽微信群、微博上的信息超载，当时很多机构都发布了自己机构的救灾工作简报进行公益传播，但是真正简单明了的提供精准救灾信息、各救灾队伍工作范围和行动轨迹及趋势的内容几乎看不到，救灾队员们对繁琐、过量的信息苦不堪言。

2014年8月18日，四川大学-香港理工大学灾后重建学院、益云地图合作的“8.03鲁甸信息救灾用户体验工作坊”

来自于巴基斯坦国家科技大学Zoha Sheikh等人发表在第14届危机响应和管理信息系统的国际会议上的一篇论文User-Assisted Information Extraction from Twitter During Emergencies，明确列出了灾难过程中，通过用户协助抽取twitter灾情文本，从未标注的原始文本到输出标注的精准文本的全流程。

在文本标注的过程中，由于不同的标准员对文本的理解和归类不同，标注出来文本属性，往往会出现不同，因此呈现出来的灾情信息属性也会不同，出现误标的情况，需要通过twitter用户协助标注，从而纠正灾情标注的机器学习算法出现状况。由此可见，机器学习算法并不是万无一失的，需要透过用户的实际经验和认知来进行管理和调整。

以2013年雅安地震的数字化救灾地图的绘制为例，绘制一个实时精准的数字化救灾地图，从志愿者的统筹、到数据的收集、整理、清洗、发布、行动决策，到行动反馈，需要全面保证救灾信息的时效性、及时传播、数据的真实性、数据收集者的沟通对话机制、数据渠道畅通效果以及救灾信息的数据安全。而这些人对科技救灾工具的管理、使用和反馈的都是科技救灾工具的软硬件之外“人因算法”（Human Algorithm）。

这种人因算法，主要是指用户根据自身的经验、使用习惯以及具体的使用场景，调用、协调科技工具进行行为决策的一种人机协同机制。电影《萨利机长》里，机长萨利根据自己多年的飞行经验判断返航着陆地点，而拒绝了飞机人工智能导航系统推荐的返航路线。贝利机长的这种经验判断，就是在危急关头，他启动了自己的“人因算法”，做出了关键性的应急决策。

谷歌最近宣布的一项全新计划“人类与AI研究”（People +AI research）――PAIR计划，便是把人的主观决策机制――人因算法，放在人机合作模式研究的核心位置上，从而减少人工智能的负面影响，提高人机合作的效率。

由此可见，在人机协同的工作环境下，人和科技工具成为了一个整体，而是这个整体是以人的决策为核心的。

科技救灾工具，不论是数据地图，还是人工智能灾情机器人，在紧急救灾和灾后安置的危机状态下，这些科技工具都是救灾队员的“数字化外骨骼”，这些工具不论是携带在身边、穿戴在救灾队员身上，还是从数据收集的真实性、有效性，再到灾情分析的机器学习算法的纠正，都是对人的补充，而不是里凌驾于人的决策之上。

尤其是在环境场景多变，时间紧迫、资源有限的危机时刻，救灾队员对于一线数据的收集和判断，人的决策速度都要比机器算法来的更加迅速、精准和直观。科技救灾工具的设计和使用，都就需要考虑在特定场景下，让数字工具为救灾队员服务，提升救灾队员在一线使用数字工具的用户体验，才是真正意义上的科学精准救灾。

科技救灾，在智慧城乡管理中越来越发挥着重要的作用。然而科技救灾，并不仅仅只有科技救灾工具的硬件和软件部分，人与科技智能救灾工具的协同工作、以及人的行为、态度对救灾数据的影响、人对算法推荐决策的评判和接纳，这些智慧城市应急管理中的“软核科学”，都是智慧城乡应急管理的内容。现有的智慧城乡应急管理系统，往往只看重科技工具的贡献，而忽视了在应急管理的信息管理的全流程过程中“人因算法”的参与和贡献。

只有全面把人在救灾过程中与科技救灾工具协同互动的贡献――人因算法，纳入智慧城市应急管理的核心位置，才能最大限度的发挥科技助力救灾的科学有效性，被科技工具武装到眼睛的救灾队员和城市治理者，也才能真正成为打通前线和后方的协同工作，真正做到人机协同，以人为本的精准救灾。