Esta peça foi escrita por Rebeca Moreno Jimenez, uma cientista de dados do Serviço de Inovação do Alto Comissariado das Nações Unidas para Refugiados.

No mundo do marketing, o aprendizado de máquina tem sido usado para processar grandes quantidades de informações para ajudar a melhorar os serviços para os clientes.

No setor humanitário, as aplicações de IA são uma nova área a ser explorada. Eles podem permitir que humanitários, inovadores e especialistas em dados compilem, processem e visualizem grandes quantidades de dados em segundos.

Muitas emergências humanitárias são complexas e os primeiros socorros geralmente têm apenas informações parciais. Para se ter uma visão completa de uma situação complexa, muitos elementos devem ser analisados. Infelizmente, os humanos não conseguem compilar todas as diferentes informações no curto período de tempo necessário para responder. E é precisamente aqui que as máquinas podem ajudar.

_• Quer escrever para nós? Dê uma olhada no [guia para colaboradores] do Apolitical (https://apolitical.co/opinion-writing-becoming-an-apolitical-contributor/) _

Big Data: desafios e oportunidades no contexto humanitário

Dependendo do contexto, para ter uma visão completa de uma situação específica, os humanitários freqüentemente usam proxies: pontos de dados que não são diretamente relevantes, mas que fornecem uma amostra de insights de alguns problemas que são completamente desconhecidos para eles.

Freqüentemente, essas percepções são encontradas em formas tradicionais de dados: informações do censo, pesquisas, notas de discussão de grupos de foco ou entrevistas com informantes-chave.

No entanto, percepções adicionais também podem ser encontradas em outras formas de dados: transmissões de rádio, dados geoespaciais, registros de dados de chamadas, wearables e mídia social - apenas para citar alguns.

A quantidade de dados produzidos por essas fontes de dados não tradicionais é enorme e geralmente "pesada". Por exemplo, o Twitter produz uma enorme quantidade de dados em questão de segundos. É calculado que aproximadamente 200 bilhões de tweets são produzidos em um ano (6.000 tweets por segundo).

A quantidade de energia e tempo que nossos colegas do ACNUR, particularmente nossos colegas de comunicação, precisariam para compilar e analisar os resultados para responder a perguntas específicas seria um desafio para seu trabalho já pesado. Alguns deles fizeram isso manualmente, por meio da compilação de insights significativos.

Mas para aumentar a escala desse processo e, o mais importante, ser capaz de quantificá-lo com um certo grau de significância estatística, os humanitários podem contar com máquinas: para amostrar, compilar e catalogar dados em tempo real.

Treinando uma máquina para detectar xenofobia

Em 2015, o Serviço de Inovação do ACNUR fez parceria com a UN Global Pulse, a iniciativa das Nações Unidas para análise de big data, para encontrar percepções adicionais sobre um cenário em rápida evolução: a situação dos refugiados no Mediterrâneo.

As equipes usaram o aprendizado de máquina para “encontrar”, “ler”, “compilar” e “catalogar” tweets, tentando encontrar intenções de movimento ou comentários sobre a prestação de serviços que incentivariam o movimento. Embora alguns comentários fossem relevantes, a amostra de tweets encontrada não foi suficiente para fornecer evidências baseadas em matemática.

No entanto, a máquina encontrou comentários anômalos que foram particularmente exacerbados durante os [incidentes terroristas na Europa](https://www.bloomberg.com/news/articles/2017-06-19/here-are-the-major-terror- ataques-na-europa-de-paris-a-oslo). Cada vez que um novo incidente acontecia - Munique, Paris, Berlim, para citar alguns dos principais eventos -, postagens com um sentimento negativo em relação aos refugiados apareciam em diferentes partes do mundo. Às vezes, essas postagens até [tinham uma associação negativa com refugiados](https://apolitical.co/solution_article/the-uks-immigration-stats-may-be-very-wrong-a-new-project-is-trying-to -fix-it /) com os incidentes.

As equipes então treinaram novamente a máquina com um viés baseado nos direitos humanos: para encontrar comentários que demonstrassem xenofobia. A equipe "ensinou" uma máquina a "aprender" como ler, compilar, categorizar, anonimizar e agregar diferentes tipos de postagens do Twitter, em diferentes idiomas e entre cidades, e quantificar tanto a xenofobia quanto os comentários amigáveis à integração.

Elaboramos um White Paper para compartilhar o processo e os resultados quantitativos da experimentação com aprendizado de máquina para entender a dimensão do sentimento na região. Pode ser usado como evidência para organizações humanitárias que preparam uma campanha de advocacy ou redação de [recomendações de políticas](https://apolitical.co/solution_article/un-members-new-migration-pact-tells-a-different-story-to- suas políticas /) para combater a xenofobia. Para as equipes do ACNUR, pode servir para direcionar suas iniciativas de proteção baseadas na comunidade, ao compreender os principais problemas que os refugiados encontram ao chegar a um novo país.

** A promessa do aprendizado de máquina: mais perguntas do que respostas **

Usando o aprendizado de máquina, ambas as equipes tiveram um instantâneo das evidências sobre as questões relacionadas à integração para uma região. No entanto, em ciência de dados - onde os dados são essenciais - os insights sempre produzem mais perguntas.

Depois de analisar alguns dos resultados, as equipes refletiram sobre as seguintes questões: A) _como podemos usar IA para fins de advocacy em outras regiões? _ B) como podemos ajudar outras agências e organizações a usar essas ferramentas para entender contextos complexos onde a mídia social não é predominante ou não há eletricidade / conectividade? _ Além disso, quando mais paredes forem erguidas, C) _como podemos aproveitar a IA para analisar big data e criar uma contra-narrativa para discurso de ódio? _ E, finalmente, D) _como podemos traduzir a integração e combater a xenofobia em um mundo digital? _

Se você tiver uma resposta a alguma dessas perguntas ou se quiser experimentar conosco, não hesite em nos contactar. Temos alguns ‘robôs’ que podem ajudar em algumas das tarefas. - Rebeca Moreno Jimenez

Uma versão mais longa deste artigo foi publicada originalmente no blog do Serviço de Inovação do ACNUR.

(Crédito da imagem: Flickr / UNHCR Photo Unit)