CBRS：具有双语数据集和多平台社交流双层过滤的认知血液请求系统

由于日常通讯量巨大，社交媒体上寻求紧急献血的帖子和消息常常被忽视。传统的基于应用程序的系统依赖于手动输入，难以在资源匮乏的环境中联系到用户，从而延迟了关键响应。为了解决这个问题，我们引入了认知血液请求系统（CBRS），这是一个多平台框架，可以使用经济高效的双层架构有效过滤和解析来自社交媒体流的献血请求。为此，我们策划了一个新颖的数据集，其中包含 11K 条经过解析的孟加拉语、英语和音译孟加拉语的献血请求消息，捕捉真实社交媒体通信的语言多样性。包含对抗性负面因素进一步增强了我们模型的稳健性。 CBRS 在过滤方面实现了令人印象深刻的 99% 准确度和精确度，超越了基准方法。在解析任务中，我们的 LoRA 微调 Llama-3.2-3B 模型实现了 92% 的零样本准确率，超出了基础模型 41.54%，并超过了 GPT-4o-mini、Gemini-2.0-Flash 和其他 LLM 的少样本性能，同时导致输入词元使用量减少了 35 倍。这项工作为时间敏感、以对象为中心的任务中可扩展、包容性的信息提取奠定了坚实的基础。我们的代码、数据集和训练模型可在 [https://github.com/aaniksahaa/CBRS](https://github.com/aaniksahaa/CBRS) 上公开获取。