El aprendizaje automático para identificar la violencia política y anticiparse a los conflictos
En el mundo actual, los conflictos y la violencia siguen causando sufrimientos y pérdidas incalculables. Imagine poder anticiparse a la aparición de violencia política organizada y predecir la probabilidad de conflictos en países de todo el mundo a fin de tomar medidas para evitar la violencia. Eso es exactamente en lo que ha estado trabajando un grupo de investigadores de la Universidad de Uppsala (Suecia). Su proyecto, que contó con el apoyo del Consejo Europeo de Investigación y se llama ViEWS, representa un paso importante hacia la capacidad de ayudar a las poblaciones afectadas antes de que estalle el conflicto. «Sabemos que los sistemas de alerta temprana son esenciales para evitar y mitigar los conflictos. Sin embargo, lo más importante es tomar medidas anticipatorias basadas en tales advertencias —comenta Håvard Hegre, investigador principal del proyecto—. Si podemos predecir dónde y cuándo es probable que se produzca un conflicto, podremos colaborar con los Gobiernos y las organizaciones humanitarias para actuar antes de que la situación empeore».
Algoritmos en acción
El equipo de ViEWS utiliza algoritmos de aprendizaje automático para analizar una serie de fuentes de datos, así como factores socioeconómicos, acontecimientos políticos y casos anteriores de violencia. A continuación, el sistema asigna una puntuación de riesgo a cada país, indicando la probabilidad de que estalle un conflicto en los próximos doce meses, explica Hegre, que es profesor de investigación en el Instituto de Investigación para la Paz de Oslo y en el Departamento de Investigación sobre la Paz y los Conflictos de la Universidad de Uppsala. En concreto, el sistema supervisa todos los lugares de riesgo y elabora predicciones uniformes sobre el número de víctimas mortales en un conflicto estatal inminente. A ello se añaden evaluaciones probabilísticas de los riesgos de violencia estatal, no estatal y unilateral, tanto a nivel nacional como subnacional. Aunque las previsiones nacionales fundamentan las locales y viceversa, los dos niveles de análisis difieren. Se trata de evaluaciones independientes que deben interpretarse de forma conjunta. Por ejemplo, los modelos en los que se basan las previsiones a escala nacional tienen en cuenta valiosos factores estructurales e históricos. Por otra parte, los modelos de nivel subnacional acentúan los efectos de los riesgos compuestos locales relacionados con la demografía, el terreno, la proximidad a los recursos naturales, los niveles locales de precipitaciones, las sequías y el historial de conflictos en las zonas vecinas.
Inspiración y resultados prometedores
Según Hegre, la principal fuente de inspiración de ViEWS fue la investigación cuantitativa sobre conflictos armados realizada desde los años noventa del siglo pasado. La investigación identificó patrones en la aparición de conflictos, como el hecho de que las democracias rara vez luchan entre sí en conflictos interestatales y que los conflictos internos son más comunes en países con un sistema democrático y regiones más pobres cerca de fronteras internacionales. Con estos conocimientos, Hegre y su equipo se propusieron desarrollar un sistema capaz de prever los conflictos armados y alertar a la comunidad internacional sobre las regiones de alto riesgo. Primero se puso a prueba en África, debido al elevado número de conflictos en el continente y, en 2022, el trabajo de ViEWS se amplió a Oriente Medio. La repercusión del proyecto ViEWS es significativa, sobre todo en regiones donde los conflictos son un problema recurrente. Al identificar las zonas de riesgo, los Gobiernos y las organizaciones humanitarias pueden tomar medidas para abordar las causas subyacentes de los conflictos y prestar apoyo a las poblaciones vulnerables. Hegre es optimista sobre el potencial del proyecto para cambiar las reglas del juego en la prevención de conflictos en todo el mundo. «Al proporcionar información oportuna y precisa a los responsables de la toma de decisiones, podemos trabajar juntos para evitar las devastadoras consecuencias de los conflictos», declara. Por ejemplo, las previsiones de ViEWS están disponibles a través de una interfaz de programación de aplicaciones (API, por sus siglas en inglés) que se actualiza cada mes. «Sabemos que las organizaciones de las Naciones Unidas acceden a la API; una de sus oficinas, en concreto, ha creado un “tablero de control” interno donde las previsiones se yuxtaponen a otra información y se utilizan para sus compromisos con partes interesadas», explica Hegre. Así, el equipo del proyecto ha colaborado en un informe de las Naciones Unidas que presenta las previsiones de ViEWS. «Colaboramos de forma continua con organizaciones internacionales y con Gobiernos que disponen de sistemas internos de alerta temprana», añade Hegre. «No sabemos de manera exacta cuánto se utiliza ViEWS —está a disposición del público y no hemos supervisado su uso con mucha atención—, pero sabemos que nuestro sistema se considera una referencia y que muchas de las ideas que hemos probado se están abriendo camino en su propia modelización».
Palabras clave
ViEWS, prevención de conflictos, sistema de alerta temprana de violencia, algoritmos de aprendizaje automático, evaluación de riesgos, África
