Los datos sobre conflictos obtenidos durante una década están obligando a los investigadores a enfrentarse a una verdad incómoda: las guerras que creemos comprender podrían desafiar por completo las predicciones.
Eddie Lee, del Complexity Science Hub de Viena, describe un problema que ha frustrado a los investigadores de conflictos durante décadas. “Los expertos tienen una intuición increíble sobre los conflictos y las regiones que conocen bien”, afirma. Pero aquí está el truco. Cada año se producen decenas de miles de conflictos en todo el mundo. “Ningún experto por sí solo puede comprender toda esta complejidad”.
En esta brecha entre el juicio humano y el volumen absoluto es donde Niraj Kushwaha y sus colegas vieron una oportunidad. En lugar de pedir a los expertos que clasifiquen los conflictos en categorías, ¿por qué no dejar que sean los datos los que los clasifiquen? Reunieron casi tres décadas de registros de conflictos en toda África, agregaron información sobre el clima, la economía, la geografía, la densidad de población, la infraestructura y la demografía, y luego implementaron el aprendizaje automático para ver qué surgía.
Lo que volvió fue sorprendentemente simple. Tres tipos de conflicto, que aparecen una y otra vez en diferentes escalas de análisis. Grandes disturbios se extienden por regiones densamente pobladas y bien conectadas. Pensemos en Boko Haram en Nigeria o en la guerra civil de la República Centroafricana. Estos persisten durante años y traspasan fronteras. Los conflictos locales permanecen contenidos dentro de un solo país y normalmente duran meses en lugar de años: los enfrentamientos Seleka y anti-Balaka, la violencia de clanes en rincones específicos de Somalia. Luego están los estallidos esporádicos, breves estallidos en zonas remotas o subdesarrolladas, como el desbordamiento de la actividad de Al-Shabaab en ciertas partes del Cuerno de África.
“Nuestro método algorítmico aprende cuáles deberían ser los tipos de conflictos dejando que los datos hablen”, explica Lee. “Y el resultado es sorprendentemente simple”.
El equipo documentó patrones consistentes en cómo estos tres arquetipos se agrupan en el espacio geográfico y económico. La densidad bruta de población y el desarrollo de infraestructura distinguen con mayor claridad la categoría de mayor malestar. La economía y la geografía crean más subdivisiones. “Estos tres tipos de conflictos surgieron naturalmente de los datos, una y otra vez”, señala Kushwaha, “incluso cuando cambiamos la escala espacial y temporal de análisis o cobertura de datos”.
Esta es la parte donde todo debería encajar perfectamente. Una mejor clasificación de los conflictos debería conducir a mejores predicciones de su gravedad, ¿verdad? Saber qué tipo de violencia estás enfrentando debería ayudarte a pronosticar cuántas personas morirán, cuánto durará y cuánto territorio cubrirá.
Debería. Pero no es así.
Cuando Kushwaha y su equipo analizaron si sus clasificaciones podían predecir la intensidad del conflicto (el número de muertes, la duración, la extensión geográfica), casi no encontraron correlación. Saber a qué arquetipo pertenece un conflicto no dice casi nada sobre cuán destructivo llegará a ser. “Esto parece contradictorio”, dice Kushwaha. “Se podría pensar que una mejor clasificación ayudaría a la predicción, pero los datos nos dicen que se trata de problemas fundamentalmente diferentes”.
Lee formula el descubrimiento de manera más cruda. “Es posible que muchos indicadores y conjuntos de datos ampliamente utilizados no mejoren nuestra capacidad de predecir qué tan intensos serán los conflictos, lo que sugiere la necesidad de nuevos enfoques en lugar de más de los mismos datos”.
Esto no es una falla de su algoritmo. El equipo de investigación verificó sus hallazgos utilizando clasificadores forestales aleatorios (un enfoque de aprendizaje automático completamente diferente) y obtuvo el mismo resultado. Los patrones están ahí. Los arquetipos son reales y reproducibles. Lo que pasa es que entender qué tipo de conflicto tienes casi no te proporciona ningún poder de predicción sobre el daño que infligirá.
Las implicaciones se extienden silenciosamente. Los investigadores de conflictos han asumido durante mucho tiempo que los factores geográficos, económicos y demográficos que dan forma al tipo de conflicto también moldearían su gravedad. Se pensaba que si se invirtieran suficientes recursos en mejores sistemas de clasificación, se mejoraría la alerta temprana. Salvarías vidas. Los datos sugieren lo contrario. Comprender las condiciones subyacentes que crean diferentes tipos de conflictos no ayuda, de ninguna manera significativa, a pronosticar su intensidad destructiva.
Woi Sok Oh, uno de los miembros del equipo de la Universidad de Waterloo, enfatiza lo que esto significa en la práctica. “Los diferentes tipos de violencia surgen en diferentes contextos y requieren diferentes respuestas”. Un gran malestar que se extiende por regiones urbanas y densamente conectadas exige enfoques humanitarios y políticos fundamentalmente diferentes a los de las disputas de clanes localizadas en áreas menos desarrolladas. La clasificación en sí tiene valor.
¿Pero predecir el impacto? Eso sigue siendo difícil de alcanzar. “Es fundamental ser conscientes de que muchos indicadores ampliamente utilizados pueden en realidad no mejorar nuestra capacidad de predecir la intensidad de los conflictos”, advierte Lee. Los investigadores no dicen que los modelos predictivos sean inútiles. Los bosques aleatorios todavía superan a las conjeturas aleatorias. Están diciendo algo más inquietante: que las características en las que los analistas de conflictos se han centrado durante décadas podrían estar optimizándose para obtener un resultado equivocado.
Kushwaha ve esto como una oportunidad más que como un callejón sin salida. “Estamos examinando los límites de lo que se puede predecir y, al hacerlo, esperamos sentar las bases para futuras investigaciones”. El estudio revela tanto sobre los datos ausentes como sobre los datos presentes. ¿Qué factores faltan en los conjuntos de datos globales? ¿Qué información podría realmente mejorar la previsión de conflictos? Éstas se convierten en las verdaderas preguntas.
En el mapa, los tres arquetipos de conflicto a menudo se superponen dentro de las mismas regiones. En los alrededores de Mogadishu, los grandes disturbios provocados por Al-Shabaab ocurren muy cerca de conflictos locales más pequeños y eventos esporádicos. En la región triple fronteriza donde se encuentran Burundi, Ruanda y la República Democrática del Congo, la misma geografía contiene tanto violencia a gran escala que cruza fronteras como conflictos más pequeños atrapados dentro de las fronteras nacionales. Esta coexistencia de diferentes tipos de violencia que surgen de condiciones similares añade otra capa al misterio.
Los investigadores han documentado públicamente su método y conjunto de datos, invitando a otros a desarrollar el trabajo. Su enfoque integra múltiples tipos de datos detallados de maneras que podrían remodelar la forma en que procede el análisis de conflictos. Pero primero, es posible que el campo necesite recalibrar las expectativas sobre lo que se puede lograr con mejores datos por sí solos.
“No nos limitamos a clasificar los conflictos”, concluye Kushwaha. Quizás la lección más profunda es que la violencia, incluso cuando se clasifica en arquetipos claros, se resiste a la predicción cuantitativa que durante mucho tiempo hemos asumido que era posible con suficiente información. Los datos han hablado claro sobre ese punto.
Estudio: “La clasificación de conflictos basada en datos expone indicadores predictivos débiles”, publicado en Royal Society Open Science, DOI: 10.1098/rsos.250897
Aquí no hay muro de pago
Si nuestros informes lo han informado o inspirado, considere hacer una donación. Cada contribución, sin importar el tamaño, nos permite continuar brindando noticias médicas y científicas precisas, atractivas y confiables. El periodismo independiente requiere tiempo, esfuerzo y recursos; su apoyo garantiza que podamos seguir descubriendo las historias que más le importan.
Únase a nosotros para hacer que el conocimiento sea accesible e impactante. ¡Gracias por estar con nosotros!