Kan AI voorspellen of burgerlijke onrust of rellen 2 weken van tevoren voorspellen met behulp van sociale media en economische factoren ?

De vraag onderzoekt of kunstmatige intelligentie betrouwbaar onrust of rellen tot twee weken van tevoren kan voorspellen door sociale media-activiteit, geolocatiegegevens en economische indicatoren te analyseren. Hoewel dergelijke voorspellingsmodellen potentie hebben, blijft er scepsis over de nauwkeurigheid en kwetsbaarheid voor manipulatie via gecoördineerde desinformatiecampagnes.

Background

Onderzoek naar het voorspellen van burgerlijke onrust met behulp van computationele methoden is gegroeid naast de vooruitgang in natuurlijke taalverwerking en machine learning. Studies zoals die van Althoff et al. (2014) en Radinsky et al. (2013) tonen aan dat machine-learningclassificatoren protesten en sociale onrust kunnen voorspellen door linguïstische en temporele patronen in sociale media en nieuwsgegevens te detecteren. Recenter werk heeft economische signalen—zoals werkloosheidscijfers, inflatie en voedselprijzen—gecombineerd met digitale activiteit, waarbij datasets van bronnen zoals het Armed Conflict Location & Event Data Project (ACLED) en de Wereldbank worden gebruikt voor validatie (Zamal & Aue, 2016; Dubey et al., 2020). Geolocatiegegevens van platforms zoals Twitter en Facebook zijn gebruikt om ongebruikelijke mobiliteitspatronen en protesthotspots te identificeren (bijv. Chen et al., 2017). Critici wijzen echter op het risico van terugkoppelingslussen waarbij voorspellingen—wanneer gepubliceerd—gedrag kunnen beïnvloeden en zelfs onrust kunnen versterken, zoals opgemerkt door Tufekci (2014). Daarnaast roept de neiging van actoren om voorspellingsystemen te manipuleren door misleidende inhoud te injecteren zorgen op over de betrouwbaarheid van invoergegevens (Shao et al., 2018). De uitdaging om echte signalen te onderscheiden van ruis in hoogdimensionale, realtimegegevens blijft een kernbeperking.

Korte-termijnvoorspellingen van burgerlijke onrust en rellen combineren doorgaans computationele modellen van sociale mediasignalen met macro-economische indicatoren zoals inflatiecijfers, werkloosheidsveranderingen of voedselprijsindexen. Onderzoek sinds 2018 heeft aangetoond dat taalkundige signalen op platforms zoals Twitter of Weibo, samen met geolokaliseerde berichten, de lokale risicokansen enkele weken voor waargenomen gebeurtenissen kunnen verhogen, maar de nauwkeurigheid varieert sterk per regio en beschikbaarheid van gegevens. Werk door overheids- en academische teams heeft herhaaldelijk aangetoond dat het toevoegen van bijna-realtime economische gegevens de precisie met ongeveer 10–15 procentpunt verbetert ten opzichte van benaderingen die alleen sociale media gebruiken. Tegelijkertijd toont evaluatie over meerdere landen gevoeligheid voor censuur, beleidswijzigingen van platforms en opzettelijke desinformatie die vals-positieven kan veroorzaken. Demonstraties in India, Zuid-Afrika en Brazilië hebben combinaties van protestgeruchten, grondstoffenprijzen en wisselkoersbewegingen gebruikt om waarschijnlijke onrustclusters te markeren, maar alle systemen presteren slechter zodra gebeurtenissen uitgebreide mediabelangstelling krijgen. Open-source gereedschap en gedeelde evaluatiebenchmarks blijven beperkt, wat directe vergelijkingen van voorspellende nauwkeurigheid bemoeilijkt. lopende inspanningen richten zich op het combineren van satellietbeelden, elektriciteitsgebruik en winkelbezoek met sociale en economische indicatoren om voorspellingen te stabiliseren voorbij de tweewekenhorizon.

— Verrijkt 15 mei 2026