Hace unos 20 a\u00f1os, una serie de ataques terroristas coordinados mat\u00f3 a casi 3.000 personas en el World Trade Center, Nueva York y en el Pent\u00e1gono. Desde entonces, se ha llevado a cabo una gran cantidad de investigaci\u00f3n para comprender mejor los mecanismos detr\u00e1s del terrorismo con la esperanza de prevenir futuros actos de terror potencialmente devastadores. A pesar de los grandes esfuerzos invertidos para estudiar el terrorismo, la investigaci\u00f3n cuantitativa ha desarrollado y aplicado principalmente enfoques destinados a describir casos regionales de actos terroristas sin proporcionar predicciones fiables y precisas a corto plazo a nivel local que requieren los formuladores de pol\u00edticas para implementar intervenciones espec\u00edficas.<\/p>\n\n\n\n
Construyendo un modelo para predecir el terrorismo en todo el mundo a escalas espaciotemporales finas<\/strong><\/p>\n\n\n\n Publicando en Science Advances, un equipo de investigaci\u00f3n internacional dirigido por el Dr. Andre Python del Centro de Ciencia de Datos de la Universidad de Zhejiang investiga algoritmos de aprendizaje autom\u00e1tico capaces de predecir y explicar a una escala espacio-temporal fina la ocurrencia de terrorismo perpetrado por actores no estatales fuera de la guerra leg\u00edtima (terrorismo no estatal) en todo el mundo. Para cubrir todas las regiones del mundo potencialmente afectadas por el terrorismo durante un largo per\u00edodo de tiempo, los autores consideran alrededor de 21 millones de celdas semanales, que se componen de 26,551 celdas de cuadr\u00edcula a 50 km\u00d750 km que cubren \u00e1reas habitadas en el mundo durante un per\u00edodo de 795 semanas entre 2002 y 2016. Un algoritmo de aprendizaje autom\u00e1tico interpretable basado en \u00e1rboles se compara con modelos predictivos de referencia alternativos para predecir y explicar la probabilidad de ocurrencia de terrorismo (respuesta) en cada celda semanal en todo el mundo. Basado en la teor\u00eda del terrorismo, el modelo incluye 20 caracter\u00edsticas estructurales (variables invariantes en el tiempo que explican el efecto de, por ejemplo, el producto interno bruto (PIB) per c\u00e1pita) y 14 caracter\u00edsticas de procedimiento, variables din\u00e1micas que explican el hecho de que la actividad terrorista en el pasado afecta el riesgo de terrorismo en el futuro. Para predecir fen\u00f3menos sociales complejos como el terrorismo a escalas espaciotemporales finas, es probable que los algoritmos de aprendizaje autom\u00e1tico informados te\u00f3ricamente superen a los modelos parsimoniosos utilizando solo caracter\u00edsticas de procedimiento, dice el Dr. Andre Python, quien dirigi\u00f3 la investigaci\u00f3n. La elecci\u00f3n de las caracter\u00edsticas incluidas en el modelo predictivo es crucial; la relevancia de los resultados del modelo y el rendimiento predictivo se benefician de una s\u00f3lida comprensi\u00f3n conceptual de los mecanismos que impulsan el terrorismo a la escala en la que se realizan las predicciones.<\/p>\n\n\n\n \u00bfSe puede predecir con precisi\u00f3n el terrorismo?<\/strong><\/p>\n\n\n\n Si bien el rendimiento predictivo de los algoritmos de aprendizaje autom\u00e1tico es relativamente alto en \u00e1reas muy afectadas por el terrorismo, sigue siendo un desaf\u00edo predecir eventos que ocurren en regiones que no han experimentado el terrorismo durante un per\u00edodo prolongado. Los algoritmos pueden mostrar una precisi\u00f3n general relativamente buena incluso con una resoluci\u00f3n espacial y temporal fina. Sin embargo, es virtualmente imposible predecir los “eventos del cisne negro”, aquellos eventos que ocurren solo una vez durante un per\u00edodo de tiempo muy largo, dice Python. Los eventos terroristas ocurrieron en menos del 2% de las celdas semanales consideradas en nuestro estudio global. El desequilibrio de datos reduce la precisi\u00f3n de los modelos, que es el n\u00famero de celdas de la semana que encontraron terrorismo y que se han predicho correctamente dividido por el n\u00famero total de celdas de la semana que se pronostica que encontrar\u00e1n terrorismo. Esto significa que para prevenir una gran proporci\u00f3n de eventos terroristas en una regi\u00f3n que no se ve muy afectada por el terrorismo, se requieren importantes recursos para inspeccionar grandes \u00e1reas donde el terrorismo potencialmente puede ocurrir.<\/p>\n\n\n\n Junto con el desacuerdo entre los acad\u00e9micos sobre la definici\u00f3n de terrorismo, la disponibilidad, la cobertura espacio-temporal y la calidad de los datos disponibles p\u00fablicamente sobre el terrorismo y sus posibles impulsores siguen siendo una barrera importante para predecir con precisi\u00f3n el terrorismo a nivel mundial y a escalas relevantes para las pol\u00edticas, dice Python. Pero los datos sobre terrorismo y los factores socioecon\u00f3micos son cada vez m\u00e1s detallados, completos y m\u00e1s accesibles. Adem\u00e1s, el desarrollo continuo de algoritmos de aprendizaje autom\u00e1tico interpretables es muy prometedor y har\u00e1 que estas poderosas herramientas sean m\u00e1s accesibles para la comunidad de investigadores y los profesionales en los pr\u00f3ximos a\u00f1os.<\/p>\n\n\n\n El importante papel de interpretar los resultados de los algoritmos de aprendizaje autom\u00e1tico<\/strong><\/p>\n\n\n\n Hasta hace poco, la interpretaci\u00f3n de los modelos estaba casi esencialmente reservada a los modelos estad\u00edsticos cl\u00e1sicos que imponen una relaci\u00f3n param\u00e9trica entre las caracter\u00edsticas y la respuesta como en los modelos de regresi\u00f3n lineal donde se supone que las caracter\u00edsticas est\u00e1n asociadas linealmente con la respuesta, y el coeficiente asociado con cada caracter\u00edstica puede estimarse y seguir interpret\u00e1ndose de acuerdo con las teor\u00edas existentes sobre terrorismo. En este estudio, los investigadores utilizaron un algoritmo de aprendizaje autom\u00e1tico interpretable para obtener un rendimiento predictivo relativamente alto sin comprometer la interpretabilidad de los resultados.<\/p>\n\n\n\n El equipo de investigaci\u00f3n utiliz\u00f3 un algoritmo de \u00e1rboles potenciado por gradiente, a partir del cual calcularon las gr\u00e1ficas de efecto local acumulado (ALE), que resaltan la diferencia marginal en la probabilidad predicha de ocurrencia de terrorismo con un cambio incremental en la caracter\u00edstica. Es probable que la relaci\u00f3n entre las caracter\u00edsticas y la ocurrencia del terrorismo no sea lineal y no se pueda identificar mediante modelos estad\u00edsticos est\u00e1ndar, dijo Python. Los gr\u00e1ficos ALE son una importante herramienta de interpretaci\u00f3n. Pueden capturar estas relaciones complejas aprendidas por el algoritmo, dice Python. En nuestro estudio, evaluamos la relaci\u00f3n entre 34 caracter\u00edsticas relevantes y la ocurrencia del terrorismo en 13 regiones del mundo, agrega. Observamos que algunas relaciones de caracter\u00edsticas son estables, mientras que otras son m\u00e1s variables entre regiones. Estos resultados nos permitieron comprender mejor las similitudes regionales y las diferencias en los efectos de los principales impulsores del terrorismo.<\/p>\n\n\n\n El algoritmo de aprendizaje autom\u00e1tico ha capturado potencialmente relaciones complejas de los impulsores del terrorismo locales y globales a una escala que es relevante para los responsables de la formulaci\u00f3n de pol\u00edticas, dice Python. La interpretabilidad de nuestro modelo tiene importantes beneficios m\u00e1s all\u00e1 de sus capacidades predictivas. Los resultados se pueden analizar de acuerdo con las teor\u00edas del terrorismo y, por lo tanto, pueden contribuir a generar confianza entre los modeladores y los profesionales, lo cual es un paso crucial para que estos algoritmos sean valiosos para toda la comunidad de investigaci\u00f3n.<\/p>\n\n\n\n