Bellingcat je razvil model strojnega učenja za identifikacijo in prioritizacijo Telegramovih objav, ki lahko vsebujejo dokaze o civilni škodi med spopadi, zlasti v Ukrajini, od februarja 2022. Organizacija je zbrala več kot 2.500 preverjenih primerov civilne škode in zgradila zbirko podatkov z uporabo 5.848 potrjenih objav, ki vsebujejo škodo, in 48.545 objav brez škode za usposabljanje modela. Ta pristop zmanjša čas, potreben za pregledovanje velikih količin vsebine družbenih medijev, kar raziskovalcem omogoča, da se osredotočijo na preverjanje, ne pa na odkritje. Model uporablja tehnike obdelave naravnega jezika, kot so večjezični transformatorji in podobnost kosinusa, za analizo besedila, hkrati pa upošteva metapodatke, kot so čas objave in sodelovanje. Projekt poudarja tako potencial AI v humanitarnih raziskavah kot izzive pri organiziranju velikih količin uporabniško ustvarjene vsebine.
Ocena pristranskosti (Sredina): Članek zagotavlja tehnično razlago metodološke inovacije v raziskavah z odprtim virom o civilni škodi, ki se osredotoča na razvoj orodja AI. Ne zavzema stališča o političnih vprašanjih, niti ne podpira ene strani v razpravi.
