Ett team av forskare säger att de har gjort förbättringar av en algoritm som kan hjälpa tjänstemän att förutsäga rörelser bland politiska grupper under konflikter eller potentiella konflikter. Kredit:Unsplash/GeoJango Maps
En förbättring av en datormodell kan hjälpa forskare att bättre förutsäga framtida rörelser för politiska fraktioner och hitta var de kan interagera med andra - ofta rivaliserande - grupper, enligt Penn State-forskare. Att förutsäga dessa drag kan ge ett tidigt varningssystem för potentiella civila konflikter och våld, tillade de.
I en studie av data från en inbördeskonflikt i Nigeria rapporterar forskarna att lägga till en variabel, kallad ett dyadisk förutsagt avstånd, till en statistisk modell kan en dag leda till mer exakta förutsägelser om politiska gruppers rörelser. Dyadiskt rumsligt avstånd hänvisar till platsen för två eller flera parter från varandra, till skillnad från monadisk variabel, som hänvisar till platsen för en enskild part och används i de flesta nuvarande modeller. För att bygga den variabeln utvecklade teamet också en algoritm som kunde projicera var de rörliga aktörerna befinner sig.
"Forskare har varit intresserade av hur vi kan förutsäga aktörernas rörelse i civila konflikter, såväl som politiska konflikter, som protestevenemang eller till och med allvarligare situationer, som lynchningar och väpnade konflikter", säger Sangyeon Kim, doktorand i statsvetenskap och social dataanalys, Penn State. "Men det har inte funnits ett seriöst tillvägagångssätt när det gäller förutsägelser när det gäller att använda båda aktörerna - eller flera aktörer - som är inblandade i konflikten, så vår grundläggande idé var att skapa en design som kunde hjälpa till att förutsäga var dessa aktörer är."
Anslutning av rumslig och nätverksmodellering
Studien kombinerar både rumslig modellering – hur människor rör sig i rymden – med nätverksmodellering – hur människor är kopplade till varandra, enligt Bruce Desmarais, professor i statsvetenskap och Institutet för beräknings- och datavetenskap.
"Ofta gör människor rumslig forskning, eller de gör nätverksforskning, men vi ville avsiktligt kombinera och integrera dessa metodologiska verktygssatser i det här projektet," sa Desmarais. "Jag tror att det blev gnistan för vårt team var att integrera rumslig data och även relationsnätverksdata, för att dra ihop dessa verktygssatser för att förbättra området."
Forskarna, som publicerade sina resultat i tidskriften Political Science Research and Methods , hoppas att framtida arbete kommer att förbättra modellen. Att förutsäga rivaliserande politiska fraktioners rörelser kan sedan leda till bättre sätt att medla konflikter och fördela tillgångar och bistånd, sa Kim.
"En av de stora frågorna är:"Var skulle vi placera bistånd på landnivå, till exempel, eller på regional nivå?" sa Kim. "Det har varit ett riktigt utmanande ämne för både akademiker och praktiker, så kanske att använda det här denna metod skulle kunna hjälpa dem att hitta bättre platser för att placera hjälp, till exempel."
Framtidsforskning
Forskarna sa att även om detta preliminära arbete med deras nya modell bara erbjöd en försumbar skillnad jämfört med en modell som använde den monadiska förutsägelsevariabeln i deras nuvarande tillämpningsexempel, men de ser det som bevis på att forskare skulle kunna använda den nya modellen till en dag exakt fånga hur flera parter kan röra sig.
Enligt Kim testade teamet variabeln på dess förmåga att förutsäga den kristna milisens rörelser under den inbördes konflikten i Nigeria, en period av våld som sträckte sig från 2001 till 2016. Uppgifterna hämtades från mediakonton om milisens rörelser under konflikten, tillade Kim.
Användningen av denna data kan vara en anledning till den lilla skillnaden mellan forskarnas modell och nuvarande som använder den monadiska variabeln.
"Vi tror att denna icke-skillnad till stor del beror på problemet med mätnivån:det är mycket svårt att spåra väpnade gruppers rörelse i längdriktningen med en hög noggrannhetsnivå", sa Kim.
Framtida forskning kan också titta på alternativa data för modellen. I studien förlitade sig forskarna på medierapporter som dokumenterade de politiska fraktionernas rörelser, men det mesta av de inbördes stridigheter som dokumenterades i den datamängden inträffade innan sociala medier blev bättre tillgängliga.
"Det är möjligt att vi till exempel skulle kunna använda data från sociala medier", sa Kim. "Och om vi kan visa att den dyadiska designen också förbättrar förutsägelser av händelser, skulle det vara riktigt intressant."
Forskarna sa att modellen fokuserar på fyra nyckelaspekter av gruppernas platshistoria:deras genomsnittliga allmänna plats, deras senaste rörelser, platser där grupper interagerar och antalet händelser som inträffar på varje plats. + Utforska vidare
