研究用15槽信息框架评估 LLM 危机报告，Gemini 与人类表现打平

该研究从专业人道主义情况报告中提炼出 15 槽信息框架，对 121 份人类报告和 261 份 LLM 报告进行跨 5 场灾害、3 类灾害的评估。在 Cyclone Idai 上，google/gemini-3.7-flash 评判下最优机器报告得 0.827，名义上略超人类上限 0.821，但 95% bootstrap CI [-.049,.059]、p=.852 表明差异不可区分，且该排序在 openai/gpt-5.6-luna 下不复现。三场主要事件中，机器报告仅复现 5.4-11.0% 的当日官方数字，报告日期、发布机构等来源信息在全部 12 个事件-评判组合中均未达到专业报告覆盖度。ROUGE-L 无区分力，BERTScore 经多重性校正后与完整性负相关，说明传统自动指标不适合评估危机报告。