ابزارهای هوش مصنوعی در پیش‌بینی بحران آوارگی کارآمد ظاهر شدند

پیش‌بینی بحران آوارگی با تحلیل پست‌های شبکه‌های اجتماعی، هشدار اولیه برای جابه‌جایی انسانی و کمک به اقدامات بشردوستانه را ممکن می‌کند.

به گزارش سرویس هوش مصنوعی ‌مگ دید، در عصری که بحران آوارگی اجباری به مسئله‌ای جهانی تبدیل و طبق آمار سازمان ملل، تعداد افراد آواره در دهه گذشته تقریباً دو برابر شده است، مطالعه‌ای جدید راهکاری نوآورانه برای پیش‌بینی و مدیریت این بحران‌ها ارائه می‌دهد. این پژوهش که در مجله EPJ Data Science منتشر شده است، نشان می‌دهد که چگونه ابزارهای محاسباتی قدرتمند می‌توانند با تحلیل داده‌های شبکه‌های اجتماعی، به‌عنوان سیستم هشدار اولیه برای جابه‌جایی‌های انسانی عمل کنند.

در شرایط بحرانی، جمع‌آوری داده‌های دقیق از‌طریق روش‌های سنتی مانند نظرسنجی‌ها تقریباً ناممکن است. مانوئل آر. آر. مارارنس، استادیار علوم اجتماعی محاسباتی در دانشگاه نوتردام و از نویسندگان این مطالعه، توضیح می‌دهد:

هوش مصنوعی و داده‌های دیجیتال جدید می‌توانند سیستم‌های هشدار اولیه را متحول کنند. این امر در نهایت به تقویت واکنش‌های بشردوستانه و نجات جان انسان‌ها و کاهش رنج آن‌ها کمک می‌کند.

پژوهشگران برای این مطالعه نزدیک به ۲ میلیون پست از شبکه اجتماعی ایکس را به سه زبان مختلف در سه بحران بزرگ مهاجرتی تحلیل کردند:

• اوکراین: پس‌از تهاجم روسیه در سال ۲۰۲۲ (۱۰/۶ میلیون آواره)
• سودان: پس‌از شروع جنگ داخلی در آوریل ۲۰۲۳ (۱۲/۸ میلیون آواره)
• ونزوئلا: در پی بحران‌های اقتصادی چند سال اخیر (۷ میلیون آواره)

یافته مهم پژوهش یادشده این بود که احساسات (Sentiment)، یعنی مثبت و منفی یا خنثی بودن پست، سیگنال مطمئن‌تری برای پیش‌بینی جابجایی قریب‌الوقوع مردم در مقایسه با هیجان (Emotion) مانند شادی و خشم یا ترس است. تحلیل احساسات به‌ویژه در پیش‌بینی زمان و حجم مهاجرت‌های فرامرزی بسیار مؤثر بود.

همچنین، این مطالعه نشان داد که مدل‌های زبانی از‌پیش‌آموزش‌دیده (LLMs) که با استفاده از یادگیری عمیق روی حجم عظیمی از متون آموزش دیده‌اند، مؤثرترین ابزار برای ارائه هشدار اولیه هستند. با‌این‌حال، محققان هشدار می‌دهند که این روش محدودیت‌هایی نیز دارد.

تحلیل شبکه‌های اجتماعی در درگیری‌های ناگهانی مانند اوکراین بهترین عملکرد را دارد؛ اما در بحران‌های اقتصادی کُند و تدریجی مانند ونزوئلا کارایی کمتری از خود نشان داده است. همچنین، احتمال ایجاد هشدارهای کاذب وجود دارد.

به گفته مارارنس، این ابزار بیشترین ارزش را زمانی دارد که به‌عنوان محرک اولیه برای تحقیقات عمیق‌تر و در ترکیب با منابع داده سنتی مانند شاخص‌های اقتصادی و گزارش‌های میدانی استفاده شود.

فیوچریتی می‌نویسد که پژوهشگران قصد دارند در آینده با استفاده از خدمات ترجمه خودکار، زبان‌های بیشتری را تحلیل و داده‌های سایر شبکه‌های اجتماعی را نیز به مدل‌های خود اضافه کنند. مارارنس نتیجه می‌گیرد:

بهبودهای حاصل درمجموع به تقویت این ابزارها کمک می‌کنند و آن‌ها را برای سیاست‌گذاران و سازمان‌های بشردوستانه‌ای مفیدتر می‌سازند که با افراد آواره کار می‌کنند.

این مطالعه با حمایت مالی بنیاد ملی علوم آمریکا و مؤسسه داده‌های عظیم دانشگاه جورج‌تاون انجام شده است.