Czy AI może przewidzieć niepokoje społeczne lub zamieszki z 2-tygodniowym wyprzedzeniem, korzystając z mediów społecznościowych i danych ekonomicznych ?

Czy sztuczna inteligencja może wiarygodnie przewidywać niepokoje społeczne lub zamieszki z nawet dwutygodniowym wyprzedzeniem, analizując aktywność w mediach społecznościowych, dane geolokalizacyjne i wskaźniki ekonomiczne? Chociaż takie modele prognostyczne mają potencjał, sceptycyzm budzi ich dokładność oraz podatność na manipulacje poprzez skoordynowane kampanie dezinformacyjne.

Background

Badania nad przewidywaniem niepokojów społecznych z wykorzystaniem metod obliczeniowych rozwijają się wraz z postępami w przetwarzaniu języka naturalnego i uczeniu maszynowym. Prace takie jak te autorstwa Althoffa i in. (2014) oraz Radinsky’ego i in. (2013) pokazują, że klasyfikatory uczenia maszynowego mogą prognozować protesty i niepokoje społeczne poprzez wykrywanie językowych i czasowych wzorców w danych z mediów społecznościowych i wiadomościach. W bardziej współczesnych badaniach uwzględniono także sygnały ekonomiczne – takie jak stopy bezrobocia, inflacja i ceny żywności – obok aktywności cyfrowej, wykorzystując zbiory danych z takich źródeł jak Armed Conflict Location & Event Data Project (ACLED) oraz Bank Światowy do walidacji (Zamal & Aue, 2016; Dubey i in., 2020). Dane geolokalizacyjne z platform takich jak Twitter i Facebook zostały wykorzystane do identyfikacji nietypowych wzorców mobilności i ognisk protestów (np. Chen i in., 2017). Krytycy jednak zwracają uwagę na ryzyko pętli sprzężenia zwrotnego, w których prognozy – gdy zostaną upublicznione – mogą wpływać na zachowania i nawet nasilać niepokoje, jak zauważył Tufekci (2014). Ponadto tendencja aktorów do manipulowania systemami prognoz poprzez wprowadzanie wprowadzających w błąd treści budzi obawy dotyczące wiarygodności danych wejściowych (Shao i in., 2018). Wyzwanie polegające na odróżnieniu prawdziwych sygnałów od szumu w danych wielowymiarowych, w czasie rzeczywistym pozostaje kluczowym ograniczeniem.

Krótkoterminowe prognozy niepokojów społecznych i zamieszek zazwyczaj łączą modele obliczeniowe sygnałów z mediów społecznościowych z makroekonomicznymi wskaźnikami, takimi jak stopy inflacji, zmiany bezrobocia lub wskaźniki cen żywności. Badania od 2018 roku pokazują, że sygnały językowe na platformach takich jak Twitter lub Weibo, wraz z postami geolokalizowanymi, mogą podnosić lokalne prawdopodobieństwo ryzyka nawet kilka tygodni przed obserwowanymi wydarzeniami, jednak umiejętność ta znacznie różni się w zależności od regionu i dostępności danych. Prace prowadzone przez zespoły rządowe i akademickie wielokrotnie wykazały, że dodanie danych ekonomicznych w czasie niemal rzeczywistym poprawia precyzję o około 10–15 punktów procentowych w porównaniu z podejściami opartymi wyłącznie na mediach społecznościowych. Jednocześnie ocena na przestrzeni wielu krajów uwidacznia wrażliwość na cenzurę, zmiany polityki platform oraz celowe dezinformacje, które mogą prowadzić do fałszywych alarmów. Protesty w Indiach, Republice Południowej Afryki i Brazylii były przewidywane przy użyciu kombinacji plotek protestacyjnych, cen towarów oraz ruchów kursów walutowych, jednak wszystkie systemy tracą na skuteczności, gdy wydarzenia przyciągają szerokie zainteresowanie mediów głównego nurtu. Narzędzia open source oraz wspólne benchmarki oceny pozostają ograniczone, co utrudnia bezpośrednie porównania dokładności prognoz. Obecne wysiłki koncentrują się na łączeniu danych z obrazów satelitarnych, zużycia energii elektrycznej oraz ruchu w punktach sprzedaży detalicznej z wskaźnikami społecznymi i ekonomicznymi, aby ustabilizować prognozy wykraczające poza horyzont dwóch tygodni.

— Wzbogacono 15 maja 2026