Bellingcat hat ein maschinelles Lernmodell entwickelt, um Telegramm-Posts zu identifizieren und zu priorisieren, die Beweise für zivilen Schaden während Konflikten enthalten können, insbesondere in der Ukraine seit Februar 2022. Die Organisation sammelte über 2.500 verifizierte Vorfälle von zivilen Schaden und baute einen Datensatz mit 5.848 bestätigten Beiträgen mit Schaden und 48.545 Beiträgen ohne Schaden, um das Modell zu trainieren. Der Ansatz reduziert die Zeit, die benötigt wird, um große Mengen an Social-Media-Inhalten zu durchsuchen, sodass sich Forscher eher auf die Verifizierung als auf die Entdeckung konzentrieren können. Das Modell verwendet Techniken der natürlichen Sprachverarbeitung wie mehrsprachige Transformatoren und Cosine-Ähnlichkeit, um Text zu analysieren, während auch Metadaten wie Posting-Timing und Engagement berücksichtigt werden. Das Projekt hebt sowohl das Potenzial von KI in der humanitären Forschung als auch die Herausforderungen der Organisation großer Mengen an benutzergenerierten Inhalten hervor.
Tendenz-Einschätzung (Mitte): Der Artikel bietet eine technische Erläuterung einer methodischen Innovation in der Open-Source-Forschung über zivile Schäden, die sich auf die Entwicklung eines KI-Tools konzentriert.
