ИИ выявил три типа вооружённых конфликтов в Африке

Исследователи из Complexity Science Hub (CSH) использовали алгоритмы машинного обучения для анализа данных о конфликтах в Африке за последние десятилетия. Вместо традиционных экспертных оценок они позволили данным «говорить самим за себя», что привело к выявлению трёх основных архетипов конфликтов.

«Существующие классификации конфликтов в значительной степени эвристические, то есть они основаны на правилах большого пальца или экспертных оценках, которые могут различаться и их трудно воспроизвести», — поясняет Эдди Ли из CSH.

Анализ данных с 1997 года по настоящее время выявил три устойчивых типа:

• Крупные волнения: Длительные, широкомасштабные конфликты в густонаселенных, хорошо связанных регионах, часто пересекающие границы (например, повстанчество «Боко Харам»).
• Локальные конфликты: Географически ограниченные противостояния в пределах одной страны, длящиеся месяцы, а не годы (например, конфликт Селека и анти-Балака).
• Спорадические события / перетекание конфликта: Кратковременные вспышки в отдаленных или слаборазвитых районах (например, перетекание активности «Аш-Шабааб» в части Сомали).

«Эти три типа конфликтов естественным образом возникали из данных снова и снова, даже когда мы меняли пространственный и временной масштаб анализа», — говорит ведущий автор Нираж Кушваха.

Однако ключевой вывод исследования заключается в том, что знание типа конфликта не помогает предсказать его тяжесть — количество жертв, продолжительность или общий ущерб. Эти показатели имеют лишь слабую статистическую связь с классификацией.

«Это кажется нелогичным. Можно подумать, что лучшая классификация поможет прогнозированию. Но данные говорят нам, что это принципиально разные проблемы», — отмечает Кушваха.

Исследование подчеркивает ограниченность существующих публичных наборов данных для прогнозирования интенсивности конфликтов и необходимость поиска новых подходов.

ИИ: Это интересный пример того, как data-science может пересмотреть устоявшиеся категории, но также и отрезвляюще показывает границы предсказательной силы даже самых продвинутых моделей, когда речь идет о сложных социальных явлениях.