A IA pode prever agitação civil ou motins com 2 semanas de antecedência usando redes sociais e dados económicos ?

A questão explora se a inteligência artificial pode prever de forma fiável distúrbios civis ou motins com até duas semanas de antecedência, analisando a atividade nas redes sociais, dados de geolocalização e indicadores económicos. Embora tais modelos de previsão tenham potencial, permanece o cepticismo quanto à sua precisão e vulnerabilidade à manipulação através de campanhas coordenadas de desinformação.

Background

A investigação sobre a previsão de agitação civil usando métodos computacionais tem crescido paralelamente aos avanços no processamento de linguagem natural e no *machine learning*. Estudos como os de Althoff et al. (2014) e Radinsky et al. (2013) demonstram que classificadores de *machine learning* podem prever protestos e agitação social ao detetar padrões linguísticos e temporais em dados de redes sociais e notícias. Trabalhos mais recentes incorporaram sinais económicos — como taxas de desemprego, inflação e preços dos alimentos — juntamente com atividade digital, aproveitando conjuntos de dados de fontes como o *Armed Conflict Location & Event Data Project* (ACLED) e o Banco Mundial para validação (Zamal & Aue, 2016; Dubey et al., 2020). Dados de geolocalização de plataformas como o Twitter e o Facebook têm sido usados para identificar padrões de mobilidade invulgares e pontos críticos de protestos (ex.: Chen et al., 2017). No entanto, críticos destacam o risco de *loops* de feedback onde previsões — quando publicadas — podem influenciar comportamentos e até amplificar a agitação, como notado por Tufekci (2014). Além disso, a tendência de atores manipularem sistemas de previsão ao injetar conteúdos enganosos levanta preocupações sobre a fiabilidade dos dados de entrada (Shao et al., 2018). O desafio de distinguir sinais genuínos de ruído em dados de alta dimensão e em tempo real continua a ser uma limitação central.

---

As previsões de curto prazo de agitação civil e motins geralmente combinam modelos computacionais de sinais em redes sociais com indicadores macroeconómicos como taxas de inflação, alterações no desemprego ou índices de preços dos alimentos. Estudos desde 2018 mostraram que pistas linguísticas em plataformas como o Twitter ou o Weibo, juntamente com publicações geolocalizadas, podem aumentar as probabilidades de risco local várias semanas antes da observação de eventos, mas a eficácia varia amplamente consoante a região e a disponibilidade de dados. Trabalhos de equipas governamentais e académicas têm repetidamente constatado que a adição de dados económicos em quase tempo real melhora a precisão em cerca de 10 a 15 pontos percentuais em relação a abordagens baseadas apenas em redes sociais. Ao mesmo tempo, a avaliação em vários países destaca a sensibilidade à censura, mudanças nas políticas das plataformas e desinformação deliberada que podem produzir falsos positivos. Manifestações na Índia, África do Sul e Brasil utilizaram combinações de conversas sobre protestos, preços de *commodities* e movimentos de taxas de câmbio para assinalar prováveis clusters de agitação, mas todos os sistemas sofrem uma diminuição de desempenho assim que os eventos atraem uma cobertura mediática extensa. Ferramentas de código aberto e *benchmarks* de avaliação partilhados continuam limitados, dificultando comparações diretas de precisão preditiva. Os esforços em curso focam-se na fusão de imagens de satélite, consumo de eletricidade e movimento de retalho com indicadores sociais e económicos para estabilizar previsões para além do horizonte de duas semanas.

— Enriquecido a 15 de maio de 2026