Tim istraživača je primenom mašinskog učenja na više od 20 godina podataka (ACLED i dodatni skupovi) identifikovao tri stabilna arhetipa sukoba: veliki nemiri, lokalni sukobi i sporadični/prenosni sukobi. Iako arhetipi objašnjavaju različite obrasce širenja nasilja, njihovo poznavanje ne poboljšava predviđanje intenziteta ili trajanja — u nekim slučajevima čak šteti performansama modela. Nalaz podvlači potrebu za detaljnijim podacima i fleksibilnijim pristupima u politici i humanitarnoj pomoći.
Mašinsko Učenje Preklasifikovalo Oružane Sukobe: Tri Arhetipa I Neočekivani Zaključci
A new study uses machine learning to reveal hidden conflict patterns and exposes limits of predicting violence severity. (CREDIT: Shutterstock)
Tim istraživača iz Complexity Science Hub (Beč), University of Waterloo i Princeton University primenio je metode mašinskog učenja na detaljnim podacima o sukobima kako bi otkrio obrasce njihovog nastanka i širenja. Umesto prethodno definisanih etiketa, algoritam je analizom više od 20 godina podataka iz ACLED-a i dodatnih skupova (klima, geografija, infrastruktura, ekonomija, demografija) izdvojio stabilne tipove sukoba.
Three conflict archetypes across Africa. The panels depict sporadic/spillovers, local conflicts, and major unrest, identified using empirical conflict data and a non-heuristic, algorithmic approach. Colors indicate distinct conflict avalanches. Conflict avalanches are non-heuristic, data-derived chains of conflict events linked in space and time. (CREDIT: Complexity Science Hub)
Tri arhetipa sukoba
Algoritamska analiza pokazala je tri ponavljajuća obrasca:
Micro-level datasets. Disaggregated conflict data from ACLED. Each point is an individual conflict event. These are grouped into conflict avalanches denoted by color. (CREDIT: Royal Society Open Science)
- Veliki nemiri — dugotrajni, često urbano uslovljeni sukobi koji se šire na velike teritorije i prelaze državne granice (primeri: Boko Haram, dugotrajni sukobi u CAR).
- Lokalni sukobi — nasilje koje ostaje unutar granica jedne države, ograničeno na određene regione i tipično traju mesecima (primer: sukobi Seleke i anti-Balaka u CAR).
- Sporadični / prenosni sukobi — kratkotrajni incidenti u slabo povezanih ili udaljenim oblastima, često posledica prelivanja nasilja iz susednih područja (primer: širenje Al-Shabaab aktivnosti u Somaliji).
Neočekivan nalaz: etikete ne pomažu predviđanju intenziteta
Iako se arhetipi dosledno pojavljuju pri različitim vremenskim i prostornim testiranjima, istraživanje upućuje na iznenađujući zaključak: poznavanje tipa sukoba ne poboljšava, a ponekad i smanjuje sposobnost modela da predvide ozbiljnost sukoba (trajanje, broj poginulih, intenzitet). Kako kaže Niraj Kushwaha, „poznavanje tipa sukoba zapravo otežava precizno predviđanje ozbiljnosti“ — u nekim modelima dodavanje informacije o tipu smanjilo je prediktivnu moć.
Mutual information matrix for pairs of background indicators used as conflict variables. Diagonal entries indicate the entropies as estimated with the Nemenman–Shafee–Bialek (NSB) estimator. (CREDIT: Royal Society Open Science)
„Naš algoritamski pristup izvlači tipove sukoba iz samih podataka. Rezultat je izuzetno direktan,“ rekao je Eddie Lee iz Complexity Science Hub.
Implikacije za politiku i humanitarnu pomoć
Glavni praktični zaključci su sledeći:
Conflict size prediction. Averaged accuracy of random forest classifiers in predicting conflict avalanche size in terms of fatalities, number of reports, duration, diameter and number of sites as below, at or above median values. (CREDIT: Royal Society Open Science)
- Etikete su vredne za razumevanje dinamike, ali se ne bi smele koristiti same po sebi kao signal za skaliranje odgovora ili predviđanje broja žrtava.
- Humanitarne organizacije i donositelji odluka treba da usvoje fleksibilnije strategije koje ne zavise isključivo od tradicionalnih kategorija sukoba.
- Potreban je dalji razvoj finijih i raznolikijih skupova podataka i modela koji integrišu više faktora (infrastruktura, mobilnost, ekonomski indikatori, klimatski uslovi) kako bi se poboljšali sistemi ranog upozoravanja.
Metodološke preporuke
Autori naglašavaju da automatizovane, kvantitativne metode omogućavaju dosledniju i prenosivu klasifikaciju sukoba na globalnom nivou, ali i da su ograničenja postojećih baza podataka (pokriće, kvalitet izveštavanja, vremenska rezolucija) ključna za dalji napredak. Woi Sok Oh (University of Waterloo) ističe: „Naš doprinos je način integrisanja mnogo finijih tipova podataka koji mogu biti važni za razumevanje kako sukobi počinju, šire se i evoluiraju."
Studija je objavljena u Royal Society Open Science. Nalazi otvaraju nove pravce za istraživanje i praktične promene u politici sprečavanja i odgovora na oružane sukobe.
Pomozite nam da budemo bolji.
