Cuando ocurre un desastre, un gran número de publicaciones en redes sociales como Weibo atraen la atención pública con su combinación de texto e imágenes. Sin embargo, la consistencia entre las descripciones textuales y las representaciones visuales varía significativamente. Los datos multimodales consistentes son cruciales para ayudar al público a entender la situación del desastre y apoyar los esfuerzos de rescate. Este estudio tiene como objetivo desarrollar un marco sistemático para evaluar la consistencia de los datos multimodales relacionados con desastres en las redes sociales. Este estudio exploró cómo la congruencia entre el contenido textual y el de imagen afecta el compromiso público e informa estrategias para respuestas de emergencia eficientes. En primer lugar, se utilizó el modelo Clip (Pre-entrenamiento de Lenguaje-Imagen Contrastivo) para extraer la correlación del desastre, la categoría de pérdida y la gravedad de las imágenes y el texto. Luego, se analizó cualitativamente la consistencia de los pares de imagen-texto y se calculó cuantitativamente. Finalmente, se discutió la influencia de la consistencia gráfica en la preocupación social. Los hallazgos experimentales revelan que la consistencia de los datos de texto e imagen influye significativamente en el grado de preocupación pública. Cuando la consistencia aumenta en un 1%, el índice de atención social aumentará aproximadamente en un 0.8%. Esto muestra que la consistencia es un factor clave para atraer la atención pública y promover la difusión de información relacionada con desastres importantes. El marco propuesto ofrece un enfoque robusto y sistemático para analizar la consistencia de la información sobre pérdidas por desastres. Permite la extracción eficiente de datos de alta consistencia de vastos conjuntos de datos de redes sociales, proporcionando a los gobiernos y agencias de respuesta a emergencias información oportuna y precisa sobre las situaciones de desastre.