Voiko tekoäly ennustaa yhteiskunnallisia levottomuuksia tai mellakoita 2 viikkoa etukäteen sosiaalisen median ja talouden avulla ?

Voiko tekoäly luotettavasti ennustaa kansalaislevottomuuksia tai mellakoita jopa kaksi viikkoa etukäteen analysoimalla sosiaalisen median toimintaa, paikkatietodataa ja taloudellisia indikaattoreita? Vaikka tällaiset ennustemallit ovat potentiaalisia, epäilykset niiden tarkkuudesta ja manipuloitavuudesta koordinoidun disinformaation kampanjoiden kautta pysyvät.

Background

Tutkimus siviilihäiriöiden ennustamisesta laskennallisia menetelmiä käyttäen on kasvanut samalla kun luonnollisen kielen käsittelyn ja koneoppimisen menetelmät ovat kehittyneet. Tutkimukset kuten Althoffin ym. (2014) sekä Radinskyn ym. (2013) osoittavat, että koneoppimisen luokittelijat voivat ennustaa mielenosoituksia ja sosiaalista levottomuutta tunnistamalla kielellisiä ja ajallisia malleja sosiaalisen median ja uutisaineistosta. Viimeaikaisessa työssä on yhdistetty taloudellisia signaaleja – kuten työttömyysasteita, inflaatiota ja elintarvikkeiden hintoja – digitaalisen toiminnan ohella hyödyntäen ACLED:n (Armed Conflict Location & Event Data Project) ja Maailmanpankin aineistoja validointiin (Zamal & Aue, 2016; Dubey ym., 2020). Paikannustietoa alustoilta kuten Twitter ja Facebook on käytetty epätavallisten liikkumismallien ja mielenosoituskuumien tunnistamiseen (esim. Chen ym., 2017). Kriitikot kuitenkin korostavat ennusteiden julkistamiseen liittyviä palautesilmukoiden riskejä, jotka voivat vaikuttaa käyttäytymiseen ja jopa voimistaa levottomuuksia, kuten Tufekci (2014) huomauttaa. Lisäksi toimijoiden pyrkimys manipuloida ennustusjärjestelmiä antamalla harhaanjohtavaa sisältöä herättää huolta syötteiden luotettavuudesta (Shao ym., 2018). Haaste, jossa on erotettava todelliset signaalit kohinasta korkeaulotteisessa, reaaliaikaisessa datassa, pysyy keskeisenä rajoituksena.

Lyhyen aikavälin ennusteet siviilihäiriöistä ja mellakoista yhdistävät yleensä laskennallisia malleja sosiaalisen median signaaleista makrotaloudellisiin indikaattoreihin, kuten inflaatiovauhtiin, työttömyyden muutoksiin tai elintarvikkeiden hintaindekseihin. Vuodesta 2018 lähtien tehdyt tutkimukset ovat osoittaneet, että kielelliset vihjeet alustoilla kuten Twitter tai Weibo sekä paikannetut viestit voivat nostaa paikallisia riskitodennäköisyyksiä useita viikkoja ennen havaittuja tapahtumia, mutta taito vaihtelee huomattavasti alueittain ja datan saatavuuden mukaan. Sekä hallitusten että akateemisten tiimien tekemät tutkimukset ovat toistuvasti havainneet, että lähes reaaliaikaisen talousdatan lisääminen parantaa tarkkuutta noin 10–15 prosenttiyksikköä sosiaalisen median -pelkästään -lähestymistapoihin verrattuna. Samalla useiden maiden välinen arviointi korostaa sensuurin, alustojen käytäntöjen muutosten ja tahallisen disinformaatioin herkkyyttä, jotka voivat tuottaa vääriä positiivisia. Mielenosoitukset Intiassa, Etelä-Afrikassa ja Brasiliassa ovat käyttäneet yhdistelmiä protestikeskusteluista, hyödykkeiden hinnoista ja valuuttakurssien liikkeistä liputtamaan todennäköisistä levottomuuksien ryppäistä, mutta kaikki järjestelmät kärsivät suorituskyvyn heikkenemisestä, kun tapahtumat saavat laajaa medianäkyvyyttä. Avoimen lähdekoodin työkalut ja jaetut arviointiviitekehykset ovat rajallisia, mikä vaikeuttaa ennustetarkkuuden suoria vertailuja. Käynnissä olevat pyrkimykset keskittyvät yhdistämään satelliittikuvia, sähkönkäyttöä ja vähittäiskaupan liikennettä sosiaalisten ja taloudellisten indikaattoreiden kanssa vakauttamaan ennusteita yli kahden viikon horisontin.