摘要: 暴力，无论是针对诸如犯罪的个人还是战争等更大规模的暴力，在我们的世界中似乎都是不可避免的。然而，研究人员正在询问是否可以预防这种情况，以及是否可能利用地理空间大数据技术（包括机器学习方法）来防止暴力失控。 最近的《世界经济形式》博客强调了试图减轻规模上的暴力的...
暴力，无论是针对诸如犯罪的个人还是战争等更大规模的暴力，在我们的世界中似乎都是不可避免的。然而，研究人员正在询问是否可以预防这种情况，以及是否可能利用地理空间大数据技术（包括机器学习方法）来防止暴力失控。
最近的《世界经济形式》博客强调了试图减轻规模上的暴力的各种努力，地理空间数据通常是这些工具中讨论的不同方法的核心特征。
绘制当地暴力和HarassMap
最近开发了两种工具，重点放在小规模的暴力和骚扰行为上。利用众包和热点地图，创建了Safecity和HarassMap，它描绘了攻击，性骚扰和本地犯罪的最新趋势，以帮助人们确定要避开的区域。
这些工具专注于各个城市街区，帮助用户更全面地了解不同地区的安全性。该工具使用警察和个人报告以及在线数据，可帮助用户更好地实时导航社区并确定不同区域的安全性。
大规模绘制暴力
在更大范围内，已制定了一项始于2017年的倡议，以帮助预测非洲的政治暴力。这项倡议被称为暴力预警系统（ViEWS）。这项工作收集了与涉及国家和团体 （包括非国家行为者）的武装冲突以及以平民为重点的暴力相关数据。
数据是州级的，也可以是州内的和小规模的，所捕获数据的分辨率为0.5×0.5十进制度，有助于预测各州区域内的暴力行为。目前的工作使用统计建模和机器学习技术来预测暴力发生的地点，其长期意图是暴力的中断。
使用自然语言处理来映射暴力
这项工作取得了一些早期成功，显示了其作为用户更好地了解暴力可能发生地的工具的潜力。在另一项侧重于政治暴力的工作中，在冲突和政治动荡地区使用了一种自然语言处理并可以 调整以监视不同媒体数据的工作，以评估冲突的可能性。
这项被称为Ushahidi的工作最初也以非洲为重点，但现在已经扩散到160多个国家，以评估其暴力可能性。暴力的类型包括武装冲突，但也包括较少有组织的暴力行为。数据主要来自人群，机器学习方法用于评估可能导致冲突的情绪和态度。这项工作创造了各种各样的工具，这些工具也正在扩展以评估非致命暴力。
越来越明显的是，需要使用各种在线和离线数据来监视暴力的可能性。 GDELT项目是一项重大工作，正在全球范围内收集联机和脱机数据，从而帮助随后的工作创建了预测工具，以评估确定不同国家甚至区域之间冲突的可能性。
数据也各不相同，已评估100多种语言，可帮助识别特定的群体、地点、组织、情绪，甚至可以用来帮助展示暴力可能性的图像。随着图像数据被捕获，这为计算机视觉技术在评估可能导致暴力 情绪和态度方面的应用开辟了可能性。
其他努力的重点是可能导致冲突的环境问题。例如，世界资源研究所的水、和平与安全倡议建立了一个预警工具，该工具利用经济，社会政治和环境数据，利用围绕森林资源的随机森林机器学习模型和技术，帮助预测潜在的冲突。
该计划是开源的，允许工具的贡献者和用户集成到他们自己的数据集和工作流中。这项工作试图提前一年预测冲突，从而为可能用于缓解冲突的工作留出了充裕的时间。
近年来，我们看到了新的努力，它们正在试图通过预测可能发生在大范围或小范围的暴力发生的地方，找到解决冲突的新方法。这些工作使用的是地理空间数据，通常是在线数据，也有离线数据，这些数据越来越多地将地理空间信息作为数据集的一部分。这些努力为决策者和当局提供了减轻暴力的新工具。
