[论文解读] A review of mechanistic and data-driven models of terrorism and radicalization

Yao-Li Chuang, Maria R. D’Orsogna|arXiv (Cornell University)|Mar 20, 2019

Terrorism, Counterterrorism, and Political Violence参考文献 225被引用 8

一句话总结

本文综述了恐怖主义与极端化的数学模型，整合了机制性与数据驱动的方法，用于模拟极端化轨迹、群体动态以及恐怖袭击中的自激发模式。研究强调了定量框架如何为早期干预和反恐策略提供支持，尤其通过基于网络的建模、博弈论以及对袭击序列的点过程分析实现。

ABSTRACT

The rapid spread of radical ideologies in recent years has led to a worldwide string of terrorist attacks. Understanding how extremist tendencies germinate, develop, and drive individuals to action is important from a cultural standpoint, but also to help formulate response and prevention strategies. Demographic studies, interviews with radicalized subjects, analysis of terrorist databases, reveal that the path to radicalization occurs along progressive steps, where age, social context and peer-to-peer exchange of extremist ideas play major roles. Furthermore, the advent of social media has offered new channels of communication, facilitated recruitment, and hastened the leap from mild discontent to unbridled fanaticism. While a complete sociological understanding of the processes and circumstances that lead to full-fledged extremism is still lacking, quantitative approaches, using modeling and data analyses, can offer useful insight. We review some approaches from statistical mechanics, applied mathematics, data science, that can help describe and understand radicalization and terrorist activity. Specifically, we focus on compartment models of populations harboring extremist views, continuous time models for age-structured radical populations, radicalization as social contagion processes on lattices and social networks, adversarial evolutionary games coupling terrorists and counter-terrorism agents, and point processes to study the spatiotemporal clustering of terrorist events. We also present recent applications of machine learning methods on open-source terrorism databases. Finally, we discuss the role of institutional intervention and the stages at which de-radicalization strategies might be most effective.

研究动机与目标

• 整合来自社会学、心理学和实证数据的现有极端化与恐怖主义数学模型。
• 识别极端化过程中的关键阶段，并评估干预时机以实现最大去极端化影响。
• 探讨数学建模如何通过模拟群体行为、沟通模式和袭击模式来指导政策制定。
• 弥合社会科学发现与定量建模之间的差距，以提升反恐规划能力。
• 评估在线极端化、独狼型袭击模式以及制度性应对措施在塑造有效预防策略中的作用。

提出的方法

• 使用仓室模型来表示具有不同程度极端思想的人口，追踪从非极端化到自我认同、洗脑及完全极端化之间的转变。
• 连续时间年龄结构模型模拟不同年龄群体中极端化的传播，整合人口统计与社会影响因素。
• 格点与基于网络的模型将极端化视为一种社会传染过程，个体通过同伴互动采纳极端观点。
• 基于代理的模型在结构化社会网络中模拟个体行为与互动，捕捉群体动态的涌现特征。
• 博弈论公式建模恐怖分子与反恐机构之间的战略互动，以优化响应与威慑策略。
• 点过程模型（包括自激发过程，如霍克斯过程）分析袭击事件的时间聚类，以检测级联效应与反馈回路。

实验结果

研究问题

• RQ1 在极端化的哪个阶段实施干预最能有效防止暴力极端分子的产生？
• RQ2 社交网络与同伴影响在多大程度上加速或抑制极端意识形态的传播？
• RQ3 恐怖袭击在多大程度上会通过模仿或自激发机制引发后续袭击？
• RQ4 数学模型如何区分线上与线下极端化路径？
• RQ5 制度性干预措施（如监控或去极端化项目）在多大程度上能改变极端化的发展轨迹？

主要发现

• 极端化通常遵循多阶段过程，非极端化阶段持续约4–5年，后续各阶段的进展通常在三年内完成。
• 恐怖袭击数据中的自激发过程表明，袭击可能引发后续袭击的级联效应，表明存在模仿或战略协调行为。
• 基于网络的模型表明，极端思想在紧密连接的社会群体中传播更有效，尤其是在网络环境中。
• 博弈论模型表明，最优反恐策略需在威慑力与资源分配之间取得平衡，以最小化长期风险。
• 隐马尔可夫模型可将潜在的极端观点与可观察的恐怖袭击事件关联，提升预测与情报分析能力。
• 在非极端化与自我认同阶段实施早期干预，被一致认定为预防大规模暴力的最有效策略。