L'IA peut-elle prédire les émeutes ou les troubles civils deux semaines à l'avance à l'aide des réseaux sociaux et des données économiques ?

La question explore si l'intelligence artificielle peut prédire de manière fiable des troubles civils ou des émeutes jusqu'à deux semaines à l'avance en analysant l'activité sur les réseaux sociaux, les données de géolocalisation et les indicateurs économiques. Bien que ces modèles de prévision soient prometteurs, des scepticismes persistent quant à leur exactitude et à leur vulnérabilité à la manipulation par des campagnes de désinformation coordonnées.

Background

La recherche sur la prédiction des troubles civils à l'aide de méthodes computationnelles a progressé parallèlement aux avancées en traitement automatique des langues et en apprentissage automatique. Des études telles que celles d'Althoff et al. (2014) et Radinsky et al. (2013) démontrent que les classifieurs d'apprentissage automatique peuvent prévoir les manifestations et les troubles sociaux en détectant des schémas linguistiques et temporels dans les données des médias sociaux et des actualités. Des travaux plus récents ont intégré des signaux économiques — comme les taux de chômage, l'inflation et les prix des denrées alimentaires — en plus de l'activité numérique, en utilisant des ensembles de données provenant de sources telles que le Armed Conflict Location & Event Data Project (ACLED) et la Banque mondiale pour la validation (Zamal & Aue, 2016 ; Dubey et al., 2020). Les données de géolocalisation issues de plateformes comme Twitter et Facebook ont été utilisées pour identifier des schémas de mobilité inhabituels et des foyers de protestation (par exemple, Chen et al., 2017). Cependant, des critiques soulignent le risque de boucles de rétroaction où les prédictions — lorsqu'elles sont rendues publiques — pourraient influencer les comportements et même amplifier les troubles, comme l'a noté Tufekci (2014). De plus, la tendance des acteurs à manipuler les systèmes de prédiction en injectant des contenus trompeurs suscite des inquiétudes quant à la fiabilité des données d'entrée (Shao et al., 2018). La difficulté à distinguer les vrais signaux du bruit dans des données en temps réel et à haute dimension reste une limitation majeure.

Les prévisions à court terme des troubles civils et des émeutes combinent généralement des modèles computationnels de signaux des médias sociaux avec des indicateurs macroéconomiques comme les taux d'inflation, les variations du chômage ou les indices des prix des denrées alimentaires. Des études depuis 2018 ont montré que les indices linguistiques sur des plateformes comme Twitter ou Weibo, associés à des publications géolocalisées, peuvent augmenter les probabilités de risque local plusieurs semaines avant les événements observés, mais l'efficacité varie considérablement selon les régions et la disponibilité des données. Les travaux menés par des équipes gouvernementales et universitaires ont à plusieurs reprises révélé que l'ajout de données économiques quasi en temps réel améliore la précision d'environ 10 à 15 points de pourcentage par rapport aux approches basées uniquement sur les médias sociaux. Dans le même temps, l'évaluation à travers plusieurs pays met en évidence une sensibilité à la censure, aux changements de politique des plateformes et à la désinformation délibérée, qui peuvent produire des faux positifs. Les manifestations en Inde, en Afrique du Sud et au Brésil ont utilisé des combinaisons de discussions sur les protestations, des prix des matières premières et des mouvements de taux de change pour signaler des foyers de troubles probables, mais tous les systèmes voient leurs performances diminuer une fois que les événements attirent une couverture médiatique importante. Les outils open source et les références d'évaluation partagées restent limités, ce qui complique les comparaisons directes de la précision prédictive. Les efforts en cours se concentrent sur la fusion d'images satellite, de la consommation d'électricité et de la fréquentation des commerces avec des indicateurs sociaux et économiques pour stabiliser les prévisions au-delà de l'horizon de deux semaines.

— Enriched 15 mai 2026