type: concept tags: [智能手机, LLM应用, 用户感知, 地震预警, 社交媒体分析] related: [[genai-smartphone-privacy-perception]], [[mobile-aios-overview]] sources: - url: https://arxiv.org/abs/2603.23322 title: "Leveraging LLMs and Social Media to Understand User Perception of Smartphone-Based Earthquake Early Warnings" date: 2026-04-19 reliability: high created: 2026-04-19 updated: 2026-04-19

智能手机地震预警用户感知分析¶

利用 LLM 分析 500+ 社交媒体帖子，理解用户对 Android 地震预警系统的感知与行为

核心问题¶

Android 的地震预警 (AEA) 系统在 2025 年 4 月土耳其 Mw 6.2 地震中成功向数百万用户发出预警，提供了超过 1 分钟的预警时间。但用户实际体验如何？信任度与什么因素相关？ 这些问题对系统优化至关重要，但传统调查方法难以大规模获取。

方法/架构¶

数据收集：从 X（Twitter）平台收集 500+ 条关于 AEA 系统的公开帖子
LLM 属性提取：使用 LLM 从非结构化帖子中提取 42 个结构化属性（情感、行为、信任度、预警时间感知等）
统计分析：分析属性间的相关性，特别关注信任度与预警时间的关系

LLM 的角色¶

不是简单的 sentiment analysis，而是多维属性提取——从一条帖子中同时提取"用户是否采取了行动"、"用户对预警时间的感知"、"用户的信任变化"等
利用 LLM 的上下文理解能力处理社交媒体语言的模糊性（讽刺、缩写、emoji）

实验结果¶

发现用户信任度与预警时间强相关（相关系数 > 0.7）
预警时间 > 30 秒时，用户信任度显著提升
用户行为分析：67% 的用户在收到预警后采取了行动（寻找掩体、通知他人）
负面反馈主要集中在"预警太晚"和"误报"

关键洞察¶

智能手机已成为关键公共安全基础设施。地震预警不再是专业设备的专利——每个装有 Android 的手机都是一个地震传感器和预警终端。这对手机端 AIOS 的意义在于：手机 AI 系统需要支持低延迟、高可靠的关键任务推理，而非仅仅是娱乐和效率工具。

LLM 在用户研究中的新角色：传统用户研究需要设计问卷、招募参与者、人工编码。用 LLM 分析社交媒体数据可以更快、更大规模地获取用户反馈，这种方法可以推广到其他手机 AI 功能的用户感知研究。

为什么重要¶

手机 AIOS 需要支持安全关键型推理——地震预警只是开始，未来还包括健康监测、交通预警等
LLM 分析用户反馈的方法可以用于持续优化手机端 AI 功能——不需要等待传统用户研究周期
揭示了端侧 AI 的社会价值不仅是效率提升，更是公共安全保障

关联¶

[[genai-smartphone-privacy-perception]] — 用户对手机 AI 功能的感知研究
[[mobile-aios-overview]] — 手机端 AIOS 的整体架构与应用场景