Resumen

El manejo proactivo de eventos de agitación social, que son sucesos comunes tanto en democracias como en regímenes autoritarios, requiere que se evalúe continuamente el riesgo de un próximo evento de agitación social. La mayoría de los enfoques existentes prestan poca atención a considerar las etapas de desarrollo del evento. En este documento, utilizamos el conjunto de datos de eventos autocodificados GDELT (Datos Globales de Eventos, Ubicación y Tono) para construir un marco basado en Modelos Ocultos de Markov (HMMs) para predecir indicadores asociados con la inestabilidad en un país. El marco utiliza los patrones temporales de ráfagas en los flujos de eventos de GDELT para descubrir la mecánica subyacente del desarrollo de eventos y formula la predicción de eventos de agitación social como un problema de clasificación de secuencias basado en la decisión de Bayes. Experimentos extensos con datos de cinco países del sudeste asiático demuestran la efectividad de este marco, que supera

• Materias:Sistemas multiagente Dinámica de interacción Simulación de comportamientos Ecuaciones diferenciales estocásticas Dinámica caótica
• Subjects:Multiagent systems Interaction dynamics Behavioral simulation Stochastic differential equations Chaotic dynamics
• Palabras claves:Eventos de agitación social; Evaluación de riesgos; Conjunto de datos GDELT; Modelos Ocultos de Markov; Indicadores de inestabilidad en países; Sudeste asiático.
• Keywords:Social unrest events; Risk assessment; GDELT dataset; Hidden Markov Models; Country instability indicators; Southeast Asia.