Může umělá inteligence předpovědět občanské nepokoje nebo nepokoje 2 týdny dopředu pomocí sociálních médií a ekonomických údajů ?

Zkoumá se, zda umělá inteligence může spolehlivě předpovídat občanské nepokoje či nepokoje až dva týdny dopředu analýzou aktivity na sociálních sítích, geolokačních údajů a ekonomických ukazatelů. Ačkoli takové prognostické modely mají potenciál, zůstává skepse ohledně jejich přesnosti a zranitelnosti vůči manipulaci prostřednictvím koordinovaných dezinformačních kampaní.

Background

Výzkum předpovídání občanských nepokojů pomocí výpočetních metod roste souběžně s pokroky v oblasti zpracování přirozeného jazyka a strojového učení. Studie jako ty od Althoffa et al. (2014) a Radinskyho et al. (2013) ukazují, že klasifikátory strojového učení mohou předpovídat protesty a sociální nepokoje detekcí jazykových a časových vzorců v datech ze sociálních sítí a zpráv. Nedávnější práce začlenila ekonomické signály – jako míra nezaměstnanosti, inflace a ceny potravin – vedle digitální aktivity, využívající datové sady z projektů jako Armed Conflict Location & Event Data Project (ACLED) a Světová banka pro validaci (Zamal & Aue, 2016; Dubey et al., 2020). Geolokační data z platforem jako Twitter a Facebook byla použita k identifikaci neobvyklých mobilitních vzorců a ohnisek protestů (např. Chen et al., 2017). Kritici však upozorňují na riziko zpětných vazeb, kdy předpovědi – pokud jsou zveřejněny – mohou ovlivnit chování a dokonce zesílit nepokoje, jak uvádí Tufekci (2014). Navíc tendence aktérů „hackovat“ předpovědní systémy vkládáním zavádějících obsahů vyvolává obavy ohledně spolehlivosti vstupních dat (Shao et al., 2018). Výzva odlišit skutečné signály od šumu v vysokorozměrných, reálných datech zůstává jádrovým omezením.

Krátkodobé předpovědi občanských nepokojů a nepokojů obvykle kombinují výpočetní modely signálů ze sociálních sítí s makroekonomickými ukazateli, jako jsou míry inflace, změny nezaměstnanosti nebo indexy cen potravin. Studie od roku 2018 ukázaly, že jazykové signály na platformách jako Twitter nebo Weibo spolu s geolokalizovanými příspěvky mohou zvýšit pravděpodobnost místního rizika několik týdnů před pozorovanými událostmi, ale úspěšnost se výrazně liší podle regionu a dostupnosti dat. Práce vládních a akademických týmů opakovaně prokázaly, že přidání téměř reálných ekonomických dat zlepšuje přesnost o zhruba 10–15 procentních bodů oproti přístupům založeným pouze na sociálních sítích. Zároveň hodnocení napříč několika zeměmi odhaluje citlivost na cenzuru, změny v pravidlech platforem a záměrnou dezinformaci, které mohou vést k falešným pozitivům. Protesty v Indii, Jižní Africe a Brazílii byly předpovězeny kombinací protestního „cvrlikání“, cen komodit a pohybů směnných kurzů, avšak všechny systémy vykazují pokles výkonnosti, jakmile události přitáhnou rozsáhlou mediální pozornost. Otevřené nástroje a sdílená hodnotící kritéria zůstávají omezená, což komplikuje přímé srovnání prediktivní přesnosti. Současné úsilí se zaměřuje na sloučení satelitních snímků, spotřeby elektřiny a návštěvnosti maloobchodu se sociálními a ekonomickými ukazateli, aby se stabilizovaly předpovědi nad dvoutýdenní horizont.