İklim mültecileri: Milyonlarca insan nereye gidecek?

Derek Groen & Diana Suleimanova

Yakın gelecekte, küresel ısınmanın milyonlarca iklim mültecisi yaratması beklenirken, bireyler ve örgütler onlara yardım etmenin yollarını arıyorlar. Mülteci kamplarındaki koşulların iyileştirilmesi gibi bazı fikirler bir süredir zaten tartışılıyor.

Fakat aynı zamanda yerlerinden edilmiş insanların nereye gideceğini tahmin etmek için bazı algoritmalar kullanmak gibi daha başka yüksek teknoloji projeleri de mevcut. Bu tür tahminler çok önemli. Yardım örgütlerinin doğru yerlerde hazırlık yapmalarına, mevcut politikaları değerlendirebilmelerine (gerçekleşmesi muhtemel bir 'bu koşulda neler olabilir' senaryosunu gözden geçirmelerine) ve ayrıca deneyimlere dayanan verilerin yetersiz olduğu uzak veya tehlikeli bölgelerdeki mülteci topluluklarının davranışlarıyla ilgili tahmin yürütmelerine yardımcı olabilirler.

Böylece iklim mültecilerinin nereye gideceğini tahmin edebiliriz, değil mi?

O KADAR KOLAY DEĞİL!

Hayır! Mültecilerle ilgili tahminlerin büyük ölçüde anlaşıldığına ilişkin cesur ve heyecan verici iddialara karşın, biz ikna olmadık. Özellikle bu sorun hakkında çalışan bilgisayar bilimciler olarak, böylesi iddialar bizlere, yürümeden önce koşmaya çalışmanın can yakıcı bir örneği gibi görünüyor.

Yaklaşık dört yıl önce, insanların silahlı çatışmalardan nasıl kaçtığını araştırmaya başladık. Arap Baharı ve Suriye Savaşı sebebiyle çok sayıda insan yerinden edildi; ancak nereye gidebileceklerini tahmin etmek amacıyla çok az çalışma yürütüldü.

Meslektaşımız David Bell’le birlikte, bu konuda yardımcı olabilecek bir araç (bir yazılım/ç.n.) oluşturduk ve çalışmalarımızı Nature Scientific Reports adlı dergide yayınladık. Aracımız, bir sonraki adımı ve nereye gideceklerini belirlemek için her insanı bağımsız bir birim olarak değerlendiriyor ve ardından bilimsel sezgiden elde edilen basit ve genel kabule uygun olan 'İnsanlar yağmur yağarken dağlarda yolculuk yapmaktan kaçınırlar' gibi kuralları kullanıyor.

Bahsettiğimiz şey, kuralları ve dolayısıyla tahminleri oluşturmak için algoritmayı ‘eğitmek’ amacıyla tarihsel verileri kullanan ‘makine öğrenimi’ yaklaşımlarından farklı. Yani, makine öğrenimine örneğin şu tür veriler girilebilir: “Belki yıllar önce meydana gelen bir çatışmada dağlık bir alana yakın bir mülteci kampına gelen insanların sayısı ya da yakın bir zamanda ama farklı bir ülkede yaşanan çatışmalardan kaçan mültecilerin sayısı…” Asıl mesele, makine öğreniminde kullanılan tarihsel verilerin daima nicel (sayısal) olması ve asla simülasyonun doğrudan geliştirildiği çatışmayla ilgili olmamasıdır.

Geliştirdiğimiz yöntemin pratikte nasıl çalıştığını görmek için, aracımızı Burundi, Orta Afrika Cumhuriyeti ve Mali’deki son üç çatışmayla ilgili UNHCR verilerine karşı test ettik. Aracımız, mültecilerin yüzde 75’inden fazlasının nereye gideceğini doğru bir şekilde tahmin etti.

(A) Burundi, (B) Orta Afrika Cumhuriyeti ve (C) Mali için oluşturduğumuz ağ modelleri. Çatışma bölgeleri (kırmızı daireler), mülteci kampları (koyu yeşil daireler), yönlendirme merkezleri (açık yeşil daireler) ve diğer büyük yerleşimler (sarı daireler). Görsel: Suleimanova ve arkadaşları. (2017)

HIDALGO projesi kapsamında, analizlerimizi Güney Sudan’daki çatışmalardan kaçan mültecilere uyguladık. Journal of Artificial Societies and Social Simulation adlı dergide yayınlanan bu çalışmada, sınır kapatma gibi politik kararların mültecilerin Etiyopya veya Uganda gibi komşu ülkelere gerçekleştirdikleri göçü nasıl etkilediğini de inceledik.

Gerçekten de bir bağlantı olduğunu bulduk; modelimizde, Uganda sınırının kapatılması 300 gün sonra kamplara yüzde 40 daha az ‘birim’ gelmesine neden oluyor ve 301'inci gün sınırı yeniden açmamızdan sonra bile bu olumsuz etki sürüyor. Geliştirdiğimiz yazılım, mültecilerin yüzde 75’inin gerçek hayatta nereye doğru gideceğini isabetli biçimde öngördü.

BİRÇOK FARKLI ETKEN SÖZ KONUSU

Buna karşın, böylesi tarihsel durumlarda geçmişe dönük doğru bir tahminde bulunmanız, ileriye dönük bir öngörüde de bulunabileceğiniz anlamına gelmiyor. İnsanların nereye gideceğini tahmin etmek, üç nedenden ötürü tarihsel bir durum hakkında tahmin yürütmekten çok daha zor:

1. Her model varsayımlarda bulunur. Örnek olarak, mültecilerin nereye gidebileceklerini öngören bir model, ulaşım yolları ya da daha önce şiddet olaylarının yaşandığı bir yerde geceleme olasılıkları hakkında varsayımlarda bulunabilir. Bir öngörüde bulunurken, bu varsayımları biraz sarstığımızda neler olacağını bilmemiz gerekir (bunu, VECMA adlı projeyle değerlendiriyoruz). Bir varsayımda bulunmak için elimizde ne kadar az kanıt varsa, onu o kadar sarsmamız ve modelimizin nasıl tepki vereceğini incelememiz gerekir. Makine öğrenimi modelleri, eğitildikleri zaman otomatik olarak örtük (ve yanlış gerekçeler içeren) varsayımlar oluşturur: Örneğin, seçilen varış noktaları X şirketinin borsa değeriyle ilişkilidir. Birim tabanlı modellerde, bu varsayımlar dağların ya da silahlı grupların varlığı gibi fiziksel etkenlerle etkileşir ve açık biçimde test edilebilir.

2. Bir şey hakkında tahminde bulunmak, aynı zamanda diğer birçok şeyi de tahmin etmenizi gerektirir. İnsanların bir çatışmadan nasıl kaçacağını tahmin edeceğimiz zaman, çatışmanın nasıl gelişeceğini de tahmin etmemiz gerekir. Ve bu, gelecekteki piyasa değerleriyle, hava/iklim etkileriyle ya da politik değişimlerle bağlantılı olabilir; bunların tümü, başka tahminler yürütmeyi gerektirecektir. Açık biçimde söylersek; tahminlerimizi tarihsel bir durum karşısında doğruladığımız durumlarda bu modellerden hiçbirine ihtiyaç duymadık, bu nedenle yalnızca tahmin yürütmeyi olanaklı hale getirmek için yeni modeller inşa ediyoruz.

3. Zorla yerinden edilen insanlar çoğunlukla beklenmedik ve yıkıcı olaylardan kaçarlar. Bu noktada, makine öğrenme algoritmalarının ‘eğitildiği’ veriler eksik, ön yargılı ya da çoğu zaman var olmayan verilerdir. Birim tabanlı modellerin eğitim verilerine ihtiyaç duymamaları nedeniyle daha etkili olduğunu ve zorunlu yer değiştirmeyi yönlendiren süreçleri anlama yolundan faydalandığını savunuyoruz.

Aslında biz de bunu tam olarak anlamış değiliz.

Evet, öngörüde bulunmak zordur. Henüz iklim mültecileri ve zorla yerlerinden edilmiş diğer insanların nereye gittiğini bilmiyoruz bile. Gelecek haftaki hava durumunu tahmin etmek için dahi hâlâ büyük süper-bilgisayarlara ihtiyaç duyuyoruz.

Hâl böyleyken, özellikle de eğer bilgisayar bilimcileri için 'bir sonraki sınır' olan ve mahremiyet ve güvenlik risklerinin genelde farkında olmayan savunmasız mültecilerden (tartışmalı biçimde) veri elde edildiği iddialarıyla bağlantılıysa, mülteci tahminlerine dair sorunun çözülmüş olduğu fikrinden şüphe etmek gerekir. Milyonlarca iklim mültecisinin nereye gideceğini tahmin etmenin ne denli zor olduğu düşünüldüğünde, 'bir sonraki sınır' hâlâ son sınırdır.

Yazının aslı The Conversation sitesinden alınmıştır. (Çeviren: Tarkan Tufan)