Kan AI forudsige civile uroligheder eller optøjer 2 uger i forvejen ved hjælp af sociale medier og økonomi ?

Kan kunstig intelligens pålideligt forudsige borgerlige uroligheder eller optøjer op til to uger i forvejen ved at analysere aktivitet på sociale medier, geolokaliseringsdata og økonomiske indikatorer? Selvom sådanne forudsigelsesmodeller har potentiale, er der fortsat skepsis omkring deres nøjagtighed og sårbarhed over for manipulation gennem koordinerede desinformationskampagner.

Background

Forskning i at forudsige borgerlige uroligheder ved hjælp af beregningsmæssige metoder er vokset i takt med fremskridt inden for naturlig sprogbehandling og maskinlæring. Studier som dem af Althoff et al. (2014) og Radinsky et al. (2013) viser, at maskinlæringsklassifikatorer kan forudsige protester og social uro ved at opdage sproglige og tidsmæssige mønstre i sociale medier og nyhedsdata. Nyere arbejde har indarbejdet økonomiske signaler—som arbejdsløshedsprocenter, inflation og fødevarepriser—sammen med digital aktivitet, ved at udnytte datasæt fra kilder som Armed Conflict Location & Event Data Project (ACLED) og Verdensbanken til validering (Zamal & Aue, 2016; Dubey et al., 2020). Geolokaliseringsdata fra platforme som Twitter og Facebook er blevet brugt til at identificere usædvanlige mobilitetsmønstre og protesthotspots (f.eks. Chen et al., 2017). Kritikere fremhæver dog risikoen for feedback-loop, hvor forudsigelser—når de offentliggøres—kan påvirke adfærd og endda forstærke uro, som påpeget af Tufekci (2014). Derudover rejser aktørers tendens til at manipulere forudsigelsessystemer ved at indsprøjte vildledende indhold bekymring om pålideligheden af input (Shao et al., 2018). Udfordringen med at skelne ægte signaler fra støj i højdimensionelle, realtidsdata forbliver en central begrænsning.

---

Kortsigtede forudsigelser af borgerlige uroligheder og optøjer kombinerer typisk beregningsmæssige modeller af signaler fra sociale medier med makroøkonomiske indikatorer som inflationsrater, ændringer i arbejdsløshed eller fødevareprisindeks. Studier siden 2018 har vist, at sproglige signaler på platforme som Twitter eller Weibo, sammen med geolokaliserede opslag, kan øge lokale risikoberegninger flere uger før observerede begivenheder, men præcisionen varierer betydeligt efter region og datatilgængelighed. Arbejde udført af regeringer og akademiske teams har gentagne gange vist, at tilføjelse af næsten-realtidsøkonomiske data forbedrer præcisionen med omkring 10–15 procentpoint i forhold til tilgange, der udelukkende baserer sig på sociale medier. Samtidig viser evalueringer på tværs af flere lande følsomhed over for censur, ændringer i platformspolitik og bevidst desinformation, der kan producere falske positive. Demonstrationer i Indien, Sydafrika og Brasilien har brugt kombinationer af protestchatter, råvarepriser og valutakursbevægelser til at markere sandsynlige uro-klynger, men alle systemer lider under faldende ydeevne, når begivenheder tiltrækker omfattende dækning i mainstream-medier. Åben kildekode-værktøjer og delte evalueringsbenchmarks er fortsat begrænsede, hvilket komplicerer direkte sammenligninger af prædiktiv nøjagtighed. Igangværende bestræbelser fokuserer på at fusionere satellitbilleder, elforbrug og detailhandelens fodgængeltrafik med sociale og økonomiske indikatorer for at stabilisere forudsigelser ud over to-ugers-horisonten.

— Beriget 15. maj 2026