Frugal Analysis of Ski Outings with Language Models

Abstract

This work explores the intersection of Natural Language Processing NLP and Geospatial Artificial Intelligence GeoAI by introducing a modular framework for structuring narrative reports of ski touring activities. Based on user content from the French platform Skitour, the approach transforms textual unstructured descriptions into structured and actionable insights. Ski touring trip reports often encode rich information about participants, conditions, intentions, and routes, but in unstructured form. To address this, we propose a system that leverages both small and large language models (SLMs and LLMs) to interpret, extract, and enrich these narratives with semantic and geospatial attributes. Our contributions span four core areas: estimating group size from linguistic cues, assessing outing risk through multi-agent debate system, identifying ski outings type through behaviour classification, and reconstructing itineraries as geographic routes. A key focus of the work lies in frugal AI practices, relying on lightweight, open-source models to ensure accessibility and sustainability without compromising performance. The resulting outputs can help in avalanche risk forecasting, behavior monitoring, and the enhancement of geographic databases used by outdoor platforms, researchers, and rescue services. By structuring community data in a reproducible and interpretable way, this research bridges the gap between narrative user content and spatial decision making tools. The framework opens pathways for more informed outdoor planning and environmental understanding, demonstrating how language models can support human safety and exploration in challenging terrains***

Ce travail explore l’intersection entre NLP et GeoAI en introduisant un cadre modulaire pour structurer les rapports narratifs des activités de ski de randonnée. Basée sur le contenu des utilisateurs de la plateforme française Skitour, l’approche transforme les descriptions textuelles non structurées en informations structurées et exploitables. Les rapports d’excursions de ski de randonnée contiennent souvent des informations riches sur les participants, les conditions, les intentions et les itinéraires, mais sous une forme non structurée. Pour y remédier, nous proposons un système qui s’appuie sur des petits et larges modèles de langage SLM LLM pour interpréter, extraire et enrichir ces récits avec des attributs sémantiques et géospatiaux. Nos contributions couvrent quatre domaines principaux : l’estimation de la taille du groupe à partir d’indices linguistiques, l’évaluation du risque de sortie grâce à un système de débat multi-agents, l’identification du type de sortie à ski grâce à la classification des comportements et la reconstitution des itinéraires sous forme de routes géographiques. L’un des principaux axes de travail réside dans les pratiques d’IA frugales, qui s’appuient sur des modèles légers et open-source pour garantir l’accessibilité et la durabilité sans compromettre les performances. Les résultats obtenus peuvent contribuer à la prévision des risques d’avalanche, à la surveillance des comportements et à l’amélioration des bases de données géographiques utilisées par les plateformes de plein air, les chercheurs et les services de secours. En structurant les données communautaires de manière reproductible et interprétable, cette recherche comble le fossé entre les données na