Por si no lo sabía, desde TECHcetera le comentamos que una amplia gama de métodos de inteligencia colectiva está ayudando a los gobiernos y a los organismos internacionales a mejorar su capacidad de alerta temprana, vigilancia y respuesta ante desastres naturales, así como conflictos y epidemias. Las propias comunidades también se encuentran aprovechando cada vez más la inteligencia colectiva para optimizar la preparación y la respuesta.
Existen casos de uso comunes de los métodos de inteligencia colectiva para ayudar a las organizaciones a anticipar y responder al riesgo sistémico.
Esto es lo que tiene que conocer en cuanto a la inteligencia colectiva
Ciencia ciudadana para recopilar nuevos datos para la detección temprana o el seguimiento de amenazas a la salud pública
Es crucial señalar que, una de las ventajas de trabajar con redes distribuidas de ciudadanos para recopilar datos a través de métodos como la ciencia ciudadana, es que tienen la posibilidad de ayudar a generar datos muy necesarios sobre cuestiones nuevas y emergentes. La ciencia ciudadana también tiene la capacidad de ser útil para fomentar la participación masiva y generar conciencia sobre un tema.
Por ejemplo, MetaSUB viene siendo un proyecto global para construir retratos microbianos de los sistemas de transporte urbano. Una red de voluntarios y científicos toma muestras de trenes y escaleras mecánicas. Identifican los patógenos que encuentran y cualquier marcador de resistencia a los antibióticos. La vigilancia microbiana llevada a cabo por la comunidad en más de 100 ciudades ayudó a contribuir a la investigación que descubrió que cuanto más tiempo permanecía el COVID-19 en una superficie, menos probabilidades había de que enfermara a alguien. Cada vez se utiliza más la Inteligencia Artificial (IA) para encontrar patrones entre las montañas de datos generados por este proyecto. En el futuro, incluso puede ayudar a hacer predicciones o detectar futuras pandemias mucho antes.
Combinación de datos extraídos de la web y/o conjuntos de datos existentes para la vigilancia en tiempo real de amenazas a la salud pública
Ahora bien, los métodos de inteligencia colectiva, como el web scraping y la combinación de diferentes fuentes de datos, se encuentran facilitando el seguimiento de las amenazas a la salud pública en tiempo real. La crisis del COVID-19 ha permitido aplicar estos métodos a la creación de una serie de paneles de control, mapas interactivos y elementos visuales que rastrean la propagación del virus y su impacto. El rastreador desarrollado por la Universidad Johns Hopkins se ha convertido en la principal fuente de información para periodistas y personas de todo el mundo que quieren seguir de cerca la propagación del virus.
Es de resaltar que cada vez más, las iniciativas de inteligencia colectiva van más allá del monitoreo de epidemias y tratan de predecirlas utilizando modelos de aprendizaje automático. AIME (Inteligencia Artificial en Epidemiología Médica) es una plataforma de Inteligencia Artificial (IA) para pronosticar brotes de enfermedades transmitidas por mosquitos. Durante las pruebas de su sistema de predicción del dengue, logró predecir el próximo brote de fiebre del dengue con hasta 3 meses de anticipación. Para ello, la plataforma combina datos en tiempo real generados por médicos, que envían notificaciones de casos de dengue, con conjuntos de datos existentes de variables que influyen en la propagación del dengue, desde el terreno y la elevación locales hasta los tipos de techos y las tormentas eléctricas. A partir de estos, el sistema predice dónde se producirán los próximos brotes en un radio de 400 metros, y con un 81% de precisión. La plataforma ahora se usa en Malasia, Brasil y Filipinas para ayudar a los proveedores de atención médica a gestionar y frenar los brotes.
Combinación de datos extraídos de la web y/o generados por los ciudadanos para informar la respuesta a las crisis
Los mismos métodos de extracción de datos web que se utilizan para la vigilancia de enfermedades también se están usando para suministrar a las agencias humanitarias y a los equipos de respuesta a emergencias información más rápida y al mismo tiempo más relevante inmediatamente después de una crisis. La combinación de conjuntos de datos existentes con información contextual generada localmente por los ciudadanos ayuda a quienes planifican respuestas de emergencia.
MIND (Managing Information for Natural Disasters) viene siendo una herramienta desarrollada por UN Global Pulse para informar mejor sobre la planificación y la logística de la respuesta humanitaria después de los desastres naturales. Se encuentra construida sobre una canalización de datos automatizada que analiza varios conjuntos de datos no tradicionales, todos en un solo lugar. La herramienta combina información de búsquedas de Twitter y Google en las áreas afectadas, así como información de Wikipedia y OpenStreetMap sobre la ubicación, informes de víctimas de fuentes de noticias y así mismo, datos de la Iniciativa Internacional para la Transparencia de la Ayuda, que muestra detalles sobre proyectos y organizaciones en las áreas afectadas. MIND todavía es un prototipo de investigación que está disponible abiertamente para pruebas de usuarios.
Predicción masiva de epidemias, conflictos y eventos geopolíticos
Los factores desencadenantes de algunas crisis son difíciles de pronosticar con antelación debido a su escasa ocurrencia. En el caso de nuevas pandemias o conflictos, la falta de datos históricos tiene la posibilidad de hacer que las predicciones estadísticas o los modelos de aprendizaje automático no sean fiables. Para abordar las deficiencias de estos métodos, algunas organizaciones se encuentran empleando otro método de inteligencia colectiva denominado “sondeo de predicción de la multitud” o “predicción de la multitud”. Estas previsiones de “sabiduría de la multitud” se calculan añadiendo muchos juicios individuales sobre la probabilidad de que se produzcan acontecimientos. Investigaciones anteriores incluso han sugerido que una multitud de personas no especializadas puede predecir acontecimientos geopolíticos con mayor precisión que los analistas individuales.
Por ejemplo, el Early Warning Project elabora una lista clasificada de más de 160 países, en función de su probabilidad de sufrir una matanza, con el fin de orientar mejor las medidas preventivas de los gobiernos y las organizaciones benéficas. Para ello, usa una combinación de previsión colectiva, clasificación de expertos y un modelo de aprendizaje automático. Durante la primera fase, los expertos en la materia participan en una encuesta comparativa anual en la que clasifican pares de países según cuál de ellos tenga más probabilidades de sufrir una matanza masiva. Un modelo de aprendizaje automático también genera estimaciones basadas en más de 30 variables de conjuntos de datos históricos. A continuación, se hace un seguimiento de diecisiete países de “mayor riesgo” mediante la previsión colectiva, lo que produce previsiones trimestrales a lo largo de un año. Como los pronosticadores pueden actualizar periódicamente sus estimaciones con nueva información, tienen la capacidad de poder detectar y reflejar “señales débiles” o cambios repentinos en el contexto que no se detectan con otros métodos.
Mapeo colectivo para la preparación y respuesta de la comunidad
Las mejores iniciativas de inteligencia colectiva permiten que los datos sean usados por los miembros del público y por los encargados de la toma de decisiones, lo que aumenta la capacidad de las personas para tomar decisiones y su poder para actuar. El mapeo colectivo y los SIG son los métodos de inteligencia colectiva que se aplican con más frecuencia para recopilar y compartir información de esta manera. Algunas iniciativas combinan estos datos generados por los ciudadanos con datos de sensores o satélites para obtener una imagen mucho más completa de una situación y de cómo está cambiando.
Para ser más precisos, uno de los ejemplos más conocidos es Peta Bencana, que aplica métodos de inteligencia colectiva a la respuesta ante desastres en la capital de Indonesia, Yakarta. Crea mapas de inundaciones en tiempo real combinando informes de los ciudadanos en Twitter con datos oficiales sobre inundaciones y sensores de toda la ciudad. El gobierno local lo utiliza para priorizar su respuesta ante inundaciones y los residentes para tomar decisiones informadas sobre cómo moverse por la ciudad.
Sin duda, existen muchas otras aplicaciones exitosas de mapeo colectivo en todo el mundo, que incluso se extienden hasta el Ártico. La plataforma SIKU combina imágenes satelitales con informes de comunidades indígenas en sus propios idiomas sobre las condiciones climáticas, los peligros del hielo y la vida silvestre. Ayuda a documentar el impacto del cambio climático y se usa para compartir las condiciones peligrosas y cambiantes del hielo dentro de las comunidades inuit.
