Kan AI förutse upplopp eller oroligheter 2 veckor i förväg med hjälp av sociala medier och ekonomi ?

Kan artificiell intelligens på ett tillförlitligt sätt förutsäga inre oroligheter eller upplopp upp till två veckor i förväg genom att analysera aktivitet på sociala medier, geolokaliseringsdata och ekonomiska indikatorer? Även om sådana prognosmodeller har potential kvarstår skepsis kring deras noggrannhet och sårbarhet för manipulation genom koordinerade desinformationskampanjer.

Background

Forskning om att förutsäga civil oro med hjälp av beräkningsmetoder har ökat i takt med framsteg inom naturlig språkbehandling och maskininlärning. Studier som de av Althoff et al. (2014) och Radinsky et al. (2013) visar att maskininlärningsklassificerare kan förutsäga protester och social oro genom att upptäcka språkliga och tidsmässiga mönster i sociala medier och nyhetsdata. Mer nyligen har arbeten integrerat ekonomiska signaler—som arbetslöshet, inflation och livsmedelspriser—vid sidan av digital aktivitet, och utnyttjat dataset från källor som Armed Conflict Location & Event Data Project (ACLED) och Världsbanken för validering (Zamal & Aue, 2016; Dubey et al., 2020). Geolokaliseringsdata från plattformar som Twitter och Facebook har använts för att identifiera ovanliga mobilitetsmönster och protesthärdar (t.ex. Chen et al., 2017). Kritiker framhåller dock risken för återkopplingsloopar där förutsägelser—när de offentliggörs—kan påverka beteenden och till och med förstärka oron, som noterats av Tufekci (2014). Dessutom väcker aktörers tendens att manipulera förutsägelsesystem genom att injicera missledande innehåll oro för tillförlitligheten i indata (Shao et al., 2018). Utmaningen att skilja äkta signaler från brus i högdimensionell, realtidsdata förblir en central begränsning.

Kortsiktiga förutsägelser av civil oro och upplopp kombinerar vanligtvis beräkningsmodeller av signaler från sociala medier med makroekonomiska indikatorer som inflationstakt, förändringar i arbetslöshet eller livsmedelsprisindex. Studier sedan 2018 har visat att språkliga ledtrådar på plattformar som Twitter eller Weibo, tillsammans med geolokaliserade inlägg, kan höja lokala risk-sannolikheter flera veckor före observerade händelser, men träffsäkerheten varierar kraftigt beroende på region och datatillgänglighet. Arbeten av regeringar och akademiska team har upprepade gånger visat att tillägg av nära-realtids ekonomiska data förbättrar precisionen med cirka 10–15 procentenheter jämfört med enbart sociala medier. Samtidigt visar utvärderingar över flera länder känslighet för censur, förändringar i plattformspolicy och avsiktlig desinformation som kan leda till falska positiva resultat. Demonstrationer i Indien, Sydafrika och Brasilien har använt kombinationer av protestprat, råvarupriser och valutakursrörelser för att flagga troliga oroshärdar, men alla system lider av minskande prestanda när händelser får omfattande medial uppmärksamhet. Öppen källkod och delade utvärderingsmått är begränsade, vilket försvårar direkta jämförelser av förutsägelseprecision. Pågående insatser fokuserar på att integrera satellitbilder, elförbrukning och detaljhandelens fotgängeltrafik med sociala och ekonomiska indikatorer för att stabilisera förutsägelser bortom tvåveckorshorisonten.

— Uppdaterad 15 maj 2026