Die Modellierung räumlicher Netzwerke kann einen neuen Weg zur Überwachung politischer Hotspots eröffnen

Eine Verbesserung eines Computermodells kann Wissenschaftlern helfen, die zukünftigen Bewegungen politischer Fraktionen besser vorherzusagen und herauszufinden, wo sie mit anderen – oft rivalisierenden – Gruppen interagieren könnten, so Forscher der Penn State. Die Vorhersage dieser Schritte könnte ein Frühwarnsystem für mögliche zivile Konflikte und Gewalt darstellen, fügten sie hinzu.

In einer Studie mit Daten aus einem Bürgerkrieg in Nigeria berichten die Forscher, dass das Hinzufügen einer Variablen, die als dyadische vorhergesagte Entfernung bezeichnet wird, zu einem statistischen Modell eines Tages zu genaueren Vorhersagen über die Bewegung politischer Gruppen führen könnte. Die dyadische räumliche Distanz bezieht sich auf den Standort von zwei oder mehr Parteien voneinander, im Gegensatz zur monadischen Variable, die sich auf den Standort einer einzelnen Partei bezieht und in den meisten aktuellen Modellen verwendet wird. Um diese Variable zu erstellen, entwickelte das Team auch einen Algorithmus, der die Standorte sich bewegender Akteure projizieren konnte.

„Forscher haben sich dafür interessiert, wie wir die Bewegung der Akteure in zivilen Konflikten, aber auch in politischen Konflikten wie Protestveranstaltungen oder sogar ernsteren Situationen wie Lynchmorden und bewaffneten Konflikten vorhersagen können“, sagte Sangyeon Kim, Doktorandin in Politikwissenschaft und Social Data Analytics, Penn State. „Es gab jedoch keinen ernsthaften Ansatz zur Vorhersage in Bezug auf die Verwendung beider Akteure – oder mehrerer Akteure –, die an dem Konflikt beteiligt sind, also war unsere Grundidee, ein Design zu entwickeln, das helfen könnte, den Standort dieser Akteure vorherzusagen.“

Verbindung von Raum- und Netzwerkmodellierung

Laut Bruce Desmarais, Professor für Politikwissenschaft und Mitbeauftrager des Institute for Computational and Data Sciences, verbindet die Studie die räumliche Modellierung – wie sich Menschen im Raum bewegen – mit der Netzwerkmodellierung – wie Menschen miteinander verbunden sind.

„Oft führen Menschen Raumforschung oder Netzwerkforschung durch, aber wir wollten diese methodischen Werkzeugkästen absichtlich in diesem Projekt kombinieren und integrieren“, sagte Desmarais. „Ich denke, das war der Funke für unser Team, als es räumliche Daten und auch relationale Netzwerkdaten integrierte, um diese Toolkits zusammenzuführen, um das Feld zu verbessern.“

Die Forscher, die ihre Ergebnisse in der Zeitschrift veröffentlichten Politikwissenschaftliche Forschung und Methoden, hoffen, dass zukünftige Arbeiten das Modell verbessern werden. Die Vorhersage der Bewegungen rivalisierender politischer Fraktionen könnte dann zu besseren Wegen führen, Konflikte zu schlichten und Versorgung und Hilfe zuzuweisen, sagte Kim.

„Eine der großen Fragen lautet: „Wo würden wir beispielsweise Hilfe auf Landesebene oder auf regionaler Ebene platzieren?“, sagte Kim Diese Methode könnte ihnen beispielsweise dabei helfen, bessere Orte für die Platzierung von Hilfsgütern zu finden.“

Zukunftsforschung

Die Forscher sagten, dass diese Vorarbeit an ihrem neuen Modell zwar nur einen vernachlässigbaren Unterschied zu einem Modell bot, das die monadische Vorhersagevariable in ihrem aktuellen Anwendungsbeispiel verwendete, sie es jedoch als Beweis dafür sehen, dass Wissenschaftler das neue Modell eines Tages genau verwenden könnten Erfassen Sie, wie sich mehrere Parteien bewegen könnten.

Laut Kim testete das Team die Variable auf ihre Fähigkeit, die Bewegungen der christlichen Miliz während des Bürgerkriegs in Nigeria vorherzusagen, einer Zeit der Gewalt, die sich von 2001 bis 2016 erstreckte. Die Daten stammten aus Medienberichten über die Bewegungen der Miliz während der Konflikt, fügte Kim hinzu.

Die Verwendung dieser Daten könnte ein Grund für den geringen Unterschied zwischen dem Modell der Forscher und aktuellen Modellen sein, die die monadische Variable verwenden.

„Wir glauben, dass dieser Nichtunterschied größtenteils auf das Problem des Messniveaus zurückzuführen ist: Es ist sehr schwierig, die Bewegungen bewaffneter Gruppen in Längsrichtung mit hoher Genauigkeit zu verfolgen“, sagte Kim.

Zukünftige Forschungen könnten auch alternative Daten für das Modell untersuchen. In der Studie stützten sich die Forscher auf Medienberichte, die die Bewegungen der politischen Fraktionen dokumentierten. Die meisten der in diesem Datensatz dokumentierten Bürgerkriege fanden jedoch statt, bevor die sozialen Medien besser zugänglich wurden.

„Es ist möglich, dass wir zum Beispiel Social-Media-Daten verwenden“, sagte Kim. „Und wenn wir zeigen könnten, dass das dyadische Design auch die Vorhersagen von Ereignissen verbessert, wäre das wirklich interessant.“

Die Forscher sagten, dass sich das Modell auf vier Schlüsselaspekte der Standortgeschichte der Gruppen konzentriert: ihren durchschnittlichen allgemeinen Standort, ihre jüngsten Bewegungen, Orte, an denen Gruppen interagieren, und die Anzahl der Ereignisse, die an jedem Ort stattfinden.