Selon des chercheurs de Penn State, une amélioration d'un modèle informatique pourrait aider les scientifiques à mieux prédire les mouvements futurs des factions politiques et à localiser où elles pourraient interagir avec d'autres groupes, souvent rivaux. La prévision de ces mouvements pourrait fournir un système d'alerte précoce pour d'éventuels conflits civils et violences, ont-ils ajouté.

Dans une étude des données d'un conflit civil au Nigeria, les chercheurs rapportent que l'ajout d'une variable, appelée distance dyadique prévue, à un modèle statistique pourrait un jour conduire à des prédictions plus précises sur le mouvement des groupes politiques. La distance spatiale dyadique fait référence à l'emplacement de deux ou plusieurs parties l'une de l'autre, par opposition à la variable monadique, qui fait référence à l'emplacement d'une seule partie et est utilisée dans la plupart des modèles actuels. Pour construire cette variable, l'équipe a également développé un algorithme qui pourrait projeter les emplacements des acteurs en mouvement.

"Les chercheurs se sont intéressés à la façon dont nous pouvons prévoir le mouvement des acteurs dans les conflits civils, ainsi que les conflits politiques, tels que les événements de protestation ou même des situations plus graves, telles que les lynchages et les conflits armés", a déclaré Sangyeon Kim, doctorant en sciences politiques et analyse de données sociales, Penn State. "Cependant, il n'y a pas eu d'approche sérieuse de la prédiction en termes d'utilisation des deux acteurs - ou de plusieurs acteurs - impliqués dans le conflit, donc notre idée de base était de créer une conception qui pourrait aider à prévoir l'emplacement de ces acteurs. "

Connecter la modélisation spatiale et de réseau

L'étude fusionne à la fois la modélisation spatiale (comment les gens se déplacent dans l'espace) et la modélisation de réseau (comment les gens sont connectés les uns aux autres), selon Bruce Desmarais, professeur de sciences politiques et co-directeur de l'Institute for Computational and Data Sciences.

"Souvent, les gens font de la recherche spatiale, ou ils font de la recherche sur les réseaux, mais nous voulions intentionnellement combiner et intégrer ces boîtes à outils méthodologiques dans ce projet", a déclaré Desmarais. "Je pense que l'étincelle pour notre équipe a été d'intégrer des données spatiales et également des données de réseau relationnel, pour rassembler ces boîtes à outils afin d'améliorer le domaine."

Les chercheurs, qui ont publié leurs découvertes dans la revue Political Science Research and Methods , espérons que des travaux futurs permettront d'améliorer le modèle. Prédire les mouvements des factions politiques rivales pourrait alors conduire à de meilleures façons de régler les conflits et d'allouer l'approvisionnement et l'aide, a déclaré Kim.

"L'une des grandes questions est :" Où placerions-nous l'aide au niveau national, par exemple, ou au niveau régional ?", a déclaré Kim. "Cela a été un sujet très difficile pour les universitaires et les praticiens, alors peut-être utiliser ce cette méthodologie pourrait les aider à trouver de meilleurs emplacements pour placer l'aide, par exemple."

Recherches futures

Les chercheurs ont déclaré que si ce travail préliminaire sur leur nouveau modèle n'offrait qu'une différence négligeable par rapport à un modèle qui utilisait la variable de prédiction monadique dans leur exemple d'application actuel, ils y voient une preuve que les scientifiques pourraient utiliser le nouveau modèle un jour avec précision. capturer comment plusieurs parties peuvent se déplacer.

Selon Kim, l'équipe a testé la variable sur sa capacité à prédire les mouvements de la milice chrétienne pendant le conflit civil au Nigeria, une période de violence qui s'est étendue de 2001 à 2016. Les données ont été tirées des comptes rendus des médias sur les mouvements de la milice pendant le conflit, a ajouté Kim.

L'utilisation de ces données peut être l'une des raisons de la faible différence entre le modèle des chercheurs et ceux actuels qui utilisent la variable monadique.

"Nous pensons que cette non-différence est en grande partie due au problème du niveau de mesure :il est très difficile de retracer longitudinalement le mouvement des groupes armés avec un haut niveau de précision", a déclaré Kim.

Les recherches futures pourraient également examiner des données alternatives pour le modèle. Dans l'étude, les chercheurs se sont appuyés sur les reportages des médias qui documentaient les mouvements des factions politiques, cependant, la plupart des troubles civils documentés dans cet ensemble de données se sont produits avant que les médias sociaux ne deviennent plus accessibles.

"Il est possible que nous puissions utiliser, par exemple, les données des médias sociaux", a déclaré Kim. "Et, si nous pouvons montrer que la conception dyadique améliore également les prédictions d'événements, ce serait vraiment intéressant."

Les chercheurs ont déclaré que le modèle se concentre sur quatre aspects clés de l'historique de localisation des groupes :leur emplacement général moyen, leurs mouvements récents, les emplacements où les groupes interagissent et le nombre d'événements se produisant dans chaque emplacement. + Explorer plus loin

Étude :Les divisions politiques se sont approfondies à l'échelle mondiale