Kąt Andersona
Przewidywanie przemocy z wyprzedzeniem dzięki AI

Kluczowe punktyPrzewidywanie przemocy, zanim do niej dojdzie, grozi powtórzeniem dystopijnych lęków z…
Zobacz więcej
- Przewidywanie przemocy, zanim do niej dojdzie, grozi powtórzeniem dystopijnych lęków z „Raportu mniejszości”.
- Połączenie wyglądu twarzy z sygnałami dźwiękowymi i ruchowymi przewyższa skuteczność każdego pojedynczego sygnału osobno.
- Niewielki zestaw klipów sprawia, że nadmierne dopasowanie do danych jest realnym zagrożeniem, mimo środków ochronnych zastosowanych w badaniu.
Typowy sposób podejścia do pytania „Czy AI może to zautomatyzować?” polega na dostarczeniu wielu przykładów czegoś, czego cechy chcemy wyodrębnić, i sprawdzeniu, czy model wytrenowany na tych danych potrafi rozpoznać tę cechę w podobnych danych, których nie użyto podczas trenowania:

Schemat projektu AI typu „ostatnia deska ratunku”: oznaczone przykłady dzieli się na zbiory treningowy i testowy. Model uczy się na pierwszym zbiorze, a następnie sprawdza się go na niewidzianych wcześniej przykładach z drugiego. Jeśli rzeczywiście nauczył się interesującej nas cechy, zamiast zapamiętać dane treningowe, powinien rozpoznać ten sam wzorzec w zbiorze testowym. Źródło
To trochę jak „ostatnia deska ratunku”, ponieważ takie eksperymenty opierają się na założeniu, że jeśli AI będzie wciąż analizować zbiór danych, poszukiwana cecha w końcu się w nim ujawni, a także że istnieje w nim jakiś „ukryty trend”, który można wydobyć. Gdybyśmy potrafili łatwo rozpoznać tę cechę, albo w ogóle nie potrzebowalibyśmy modelu AI, albo wykorzystywalibyśmy go wyłącznie do rutynowej automatyzacji.
Zazwyczaj jednak tak nie jest; większość takich inicjatyw badawczych to „wyprawy na ryby” w poszukiwaniu ukrytych wzorców, których rozpoznawania można nauczyć się jedynie dzięki powtarzaniu analizy na skalę przekraczającą ludzkie możliwości.
Nierzadko wzorzec okazuje się trudny do uchwycenia, a może nawet w ogóle nie istnieć, ponieważ niektóre zdarzenia i cechy mogą rzeczywiście występować zupełnie losowo; możliwe też, że dane są w jakiś sposób niewystarczające, źle opracowane lub słabo wykorzystane do trenowania modelu.
Co przyniesie przyszłość
W niektórych przypadkach stawka jest tak wysoka (wyleczenie raka, fuzja jądrowa, obejście praw termodynamiki itp.), a temat tak „atrakcyjny politycznie”, że badacze regularnie do niego wracają, sprawdzając, czy lepsze dane lub lepsze techniki pozwolą w końcu wydobyć charakterystyczny wzorzec.
Jedną z takich dziedzin jest automatyczne rozumienie nagrań wideo w kontekście przestrzeni publicznych i obszarów związanych z działaniami policji. Na przykład w tym roku w nowym badaniu wykorzystano nagrania wideo z rzeczywistych prób samobójczych, aby zidentyfikować tendencje do „przebywania” w określonych miejscach przed próbą samobójczą oraz stworzyć system predykcyjny, który mógłby rozpoznawać charakterystyczny sposób poruszania się danej osoby po peronie kolejowym przed skokiem:

Na podstawie artykułu z 2026 roku „Ocena ryzyka samobójstwa na podstawie nadzoru wideo wspomaganego przez AI: interpretowalne ramy zapobiegania zdarzeniom na stacjach metra” — prognozy dla dwóch klatek: jedna przedstawia rzeczywistą próbę samobójczą na torach, a druga sytuację, w której nie doszło do zdarzenia. Mapy cieplne obok każdej klatki wskazują obszary większego i mniejszego ryzyka na peronie, określone na podstawie „skłonności do pozostawania” danej osoby w pobliżu wlotu tunelu oraz wzorców zaobserwowanych podczas wcześniejszych prób samobójczych. Źródło
W tym przypadku „wzorce przebywania” (skrajnie po lewej i prawej stronie powyższego obrazu), typowe dla osoby rozważającej skok przed nadjeżdżający pociąg, zdawały się mieć charakterystyczny profil, który można by wykorzystać jako sygnał ostrzegawczy oparty na rozpoznawaniu wzorców w zautomatyzowanych systemach nadzoru.
Innym popularnym nurtem badań w tej dziedzinie jest wykrywanie/rozpoznawanie przemocy. Systemy monitoringu działające bez nadzoru człowieka można wyposażyć w zdolność rozpoznawania aktów przemocy, aby szybko zwracać na nie uwagę ludzi, a nawet uruchamiać dodatkowe działania, takie jak oznaczanie nagrania do długoterminowego przechowywania i upewnianie się, że rejestracja rzeczywiście się odbywa, a także inne środki.
Test systemu wykrywania przemocy od IVS (nieprzedstawiający rzeczywistego zdarzenia). Źródło
Według nowych badań przeprowadzonych na University of Alabama dotychczasowe publikacje koncentrowały się na rozpoznawaniu przemocy w chwili, gdy już do niej dochodzi. Na potrzeby nowego badania naukowcy wytrenowali model wyłącznie na nagraniach wideo zarejestrowanych przed gwałtownym zdarzeniem (lub wtedy, gdy do żadnego zdarzenia nie doszło, aby zachować równowagę statystyczną). Chcieli sprawdzić, czy istnieją powtarzalne i możliwe do wyuczenia „cechy poprzedzające przemoc” — w tym przypadku połączenie ruchów ciała, wyrazu twarzy i dźwięku, które razem mogłyby stanowić sygnał pozwalający przewidywać akt przemocy, zamiast jedynie na niego reagować, gdy już do niego dojdzie.

Przykłady „ryzykownych” sekwencji poprzedzających incydent z badania „Czy możemy przewidzieć przemoc? Multimodalne uczenie na podstawie behawioralnych sygnałów poprzedzających incydent”, przedstawione na czterech kolejnych klatkach. System śledzi stawy ciała i ruch w czasie, szukając zmian postawy, szybkości i wzorców interakcji, które mogą pomóc odróżnić eskalujące sytuacje, zanim sama przemoc stanie się widoczna. Źródło
Oczywiście takie prace mogą budzić obawy, jeśli zostaną rozwinięte lub wdrożone. Jak już zwracałem uwagę, fikcyjne produkcje, takie jak serial telewizyjny Person of Interest czy film akcji science fiction z 2002 roku Minority Report, podobnie jak wiele innych, odzwierciedlały powszechne obawy związane z wykorzystaniem technologii predykcyjnych przez policję lub organy regulacyjne.
Na obecnym etapie, jeśli chodzi o przewidywanie aktów przemocy na podstawie sygnałów dotyczących ciała, twarzy i dźwięku (a nie czynników takich jak kontekst, pora dnia, lokalizacja czy dane o przestępczości z przeszłości), kwestia ta pozostaje otwarta, ponieważ — jak twierdzą autorzy nowej pracy — jest to bardzo nowy kierunek badań.
W testach badacze porównali osobno i łącznie wygląd twarzy, dźwięk oraz sygnały dotyczące ruchu ciała, wykorzystując trzy różne bazowe modele wizyjne. Najlepsze wyniki uzyskano po połączeniu wszystkich trzech sygnałów, co sugeruje, że efekt predykcyjny nie wynikał z żadnego pojedynczego rodzaju sygnału:
„Najlepsza konfiguracja, Deit-Tiny z dźwiękiem, wyglądem twarzy i ruchem, osiąga dokładność 91,21%, zrównoważoną dokładność 88,96%, wynik F1 na poziomie 93,65% oraz ROC-AUC wynoszący 96,38% na odłożonym zbiorze testowym.
„Wyniki te sugerują, że uzupełniające się sygnały dotyczące wyglądu, dźwięku i kinematyki dostarczają przydatnych informacji do rozpoznawania podwyższonego ryzyka przed incydentem”.
Metodyka
Zbiór danych opracowany na potrzeby badania pochodzi z kolekcji XD-Violence i obejmuje jednoczesną analizę trzech modalności: wyglądu twarzy, dźwięku oraz ruchu oszacowanego na podstawie pozy:

Potok przetwarzania zastosowany w badaniu. Każdemu klipowi przypisuje się etykietę określającą poziom ryzyka — „brak ryzyka” albo „ryzykowny” — a następnie dzieli się go na zbiory treningowy, walidacyjny i testowy. Analizie poddaje się nagranie o długości do czterech sekund, przetwarzane trzema ścieżkami: analizuje się wygląd twarzy na kolejnych klatkach, przekształca dźwięk w spektrogram, a ruch ciała wyznacza na podstawie śledzonych punktów kluczowych, takich jak prędkość i przyspieszenie. Uzyskane cechy twarzy, dźwięku i ruchu łączy się w jedną reprezentację i przekazuje końcowemu klasyfikatorowi, który przypisuje klipowi prawdopodobieństwo, że przedstawia sytuację bez ryzyka lub ryzykowną.
W wyniku selekcji powstał zbiór obejmujący 443 klipy sprzed incydentu (omówimy tę liczbę na końcu artykułu).
Jak podano w artykule, filmy wybrane z kolekcji XD-Violence uznano za odpowiednie do analizy ukierunkowanej na ludzi, którą projekt miał wdrożyć. Z kolei wiele podobnych wcześniejszych podejść skupiało się na całości sceny jako kontekście predykcyjnym.
Użyte klipy nie przekraczały czterech sekund i próbkowano je z częstotliwością 8 kl./s. Do łączenia uzyskanych 32 próbek klatek wykorzystano jednowarstwowy transformer z ośmioma głowicami uwagi, a uczone osadzenia pozycyjne zachowywały kolejność klatek. Podczas multimodalnego uczenia model bazowy pozostawał zamrożony, aby uniknąć przeuczenia.
Przykładowe mapy aktywacji (w tym obrazy twarzy) przedstawiono wcześniej w artykule dla aktywacji „ryzykownych”, a poniżej dla próbek bez ryzyka:

Przykłady bez ryzyka z gałęzi badania analizującej twarze, uzupełniające przedstawione wcześniej przykłady ryzykownego ruchu. Po lewej stronie znajduje się oryginalny wycinek twarzy, a dalej mapy aktywacji pochodzące z coraz głębszych warstw modelu wizyjnego DeiT-Tiny. Cieplejsze obszary wskazują silniejsze reakcje cech i pokazują, jak uwaga modelu przesuwa się i staje coraz bardziej abstrakcyjna w miarę przechodzenia obrazu przez sieć.
Składowe audio uzyskane z klipu źródłowego ponownie próbkowano z częstotliwością 16 kHz, a następnie normalizowano i wyrównywano z odpowiadającym im oknem obrazu, po czym przekształcano w ujednolicone spektrogramy logarytmu modułu przy użyciu krótkoczasowej transformaty Fouriera o 512 punktach oraz okna Hanna o długości 400 próbek:

Porównanie uśrednionych wzorców dźwiękowych w normalnych i ryzykownych klipach sprzed incydentu. W górnym rzędzie pokazano normalne klipy, a w dolnym — ryzykowne; przedstawiono kolejno oryginalny przebieg fali i spektrogram, a następnie cechy wyuczone na trzech kolejnych głębokościach sieci. W ryzykownych klipach widać większą zmienność w czasie, w tym wzrost aktywności akustycznej pod koniec czterosekundowego okna, a sieć stopniowo przekształca te różnice w cechy wyższego poziomu.
Na potrzeby analizy ruchu sprowadzono ruchy ciała do zestawu deskryptorów liczbowych, wyznaczonych na podstawie punktów kluczowych COCO-17 wykrywanych przez estymator pozy YOLO.
Obliczono dwanaście miar, w tym średnią i maksymalną prędkość, przyspieszenie i szarpnięcie, zmienność prędkości, prędkości nadgarstków i kostek oraz ogólną energię ruchu. Wartości te znormalizowano względem rozmiarów ciała, aby większe osoby nie były automatycznie uznawane za poruszające się bardziej intensywnie. Ponadto połączono pomiary dotyczące wielu osób występujących w tym samym klipie.
Po standaryzacji względem danych treningowych cechy ruchu rozszerzono do 64-wymiarowej reprezentacji i przekazano do transformera czasowego, który umożliwiał analizowanie zmian ruchu w całym klipie jako sekwencji, a nie jako odizolowanych klatek.
Następnie trzy strumienie połączono w jedną reprezentację, przypisując największy udział wyglądowi twarzy, a mniejszy kolejno dźwiękowi i ruchowi. Po normalizacji i zastosowaniu dropout końcowy klasyfikator przekształcał połączoną reprezentację w prawdopodobieństwa dla klas „normalny” i „ryzykowny”, przyjmując 0,5 za wartość progową.
W strumieniu analizy wyglądu twarzy wykorzystano trzy architektury bazowe wstępnie wytrenowane na ImageNet: Swin-Tiny, ViT-Tiny i DeiT-Tiny.
Testy
Na potrzeby testów klipom ręcznie przypisano jedną z czterech etykiet: Brak ryzyka, Niskie ryzyko, Średnie ryzyko lub Wysokie ryzyko, na podstawie widocznego zachowania, ruchu i dźwięku. W końcowym zadaniu binarnym trzy kategorie ryzyka połączono w kategorię „ryzykowny”, natomiast Brak ryzyka oznaczał kategorię „normalny”. Aby ograniczyć przeciek danych między zbiorem treningowym a ewaluacyjnym, klipy pochodzące z tego samego filmu źródłowego umieszczano w tej samej części zbioru danych.
Sam akt przemocy usunięto ze wszystkich ryzykownych klipów, pozostawiając modelowi do oceny wyłącznie poprzedzające go zachowanie:

Wyniki na zbiorze testowym pokazujące, jak zmienia się skuteczność, gdy wygląd twarzy, dźwięk i ruch są wykorzystywane osobno lub łącznie w trzech architekturach wizualnych; analiza ablacyjna pozwala wyodrębnić wkład każdego strumienia danych wejściowych. Wyższe wyniki oznaczają lepszą skuteczność, a pogrubieniem wyróżniono najlepszy rezultat dla każdej miary.
Jak już wspomniano, najlepszy wynik ogólny uzyskano dla DeiT-Tiny po połączeniu wszystkich trzech modalności. Analiza ablacyjna wyraźniej pokazuje wkład każdego strumienia: sam wygląd twarzy był już dobrym predyktorem, skuteczność ruchu była umiarkowana, a dźwięk w izolacji sprawdzał się znacznie słabiej.
Najlepsze wyniki uzyskano po połączeniu informacji o twarzy, dźwięku i ruchu, co wskazuje, że słabsze strumienie nadal wnosiły użyteczne, uzupełniające informacje do sygnału wizualnego.
Chociaż model trenowano wyłącznie do rozróżniania klipów „normalnych” i „ryzykownych”, jego wyniki porównano również z pierwotnymi etykietami obejmującymi cztery poziomy: Brak ryzyka, Niskie ryzyko, Średnie ryzyko i Wysokie ryzyko. Jak pokazano poniżej, przewidywany poziom ryzyka zasadniczo rośnie wraz z tymi kategoriami w zbiorach treningowym, walidacyjnym i testowym:

Przewidywane oceny ryzyka w czterech pierwotnych kategoriach ryzyka. Chociaż model trenowano wyłącznie w celu odróżniania klipów normalnych od ryzykownych, oceny na ogół rosną od kategorii „Brak ryzyka” do „Wysokie ryzyko” w zbiorach treningowym, walidacyjnym i testowym. Linia przerywana oznacza próg decyzyjny 0,50.
Autorzy komentują:
„Ten wynik jest istotny, ponieważ model nigdy nie jest jawnie trenowany w celu rozróżniania niskiego, średniego i wysokiego ryzyka. Mimo to jego przewidywania odzwierciedlają stopniowanie pierwotnych poziomów ryzyka.”
„Sugeruje to, że model wychwytuje znaczące zmiany w zachowaniu poprzedzającym incydent, zamiast uczyć się jedynie prostej granicy między klipami normalnymi a ryzykownymi. Wynik ten stanowi również dowód na to, że użyteczne wskazówki behawioralne mogą pojawić się przed rozpoczęciem opisanego incydentu.”
Autorzy wyciągają też następujący wniosek:
„Wyniki te sugerują, że użyteczne informacje pozwalające odróżniać przypadki mogą być obecne w okresie poprzedzającym incydent, co wskazuje na możliwość odejścia od analizy przemocy polegającej na wykrywaniu zdarzeń w chwili ich wystąpienia na rzecz wcześniejszego rozpoznawania ryzyka.”
Wnioski
Czy badacze rzeczywiście odkryli zestaw cech „poprzedzających przemoc”? Cóż, skoro w eksperymentach wykorzystano zaledwie 443 klipy, ryzyko przeuczenia jest znaczące, a modele multimodalne i wstępnie wytrenowane bazowe sieci wizyjne są na nie szczególnie podatne. Badanie częściowo ogranicza to ryzyko, zamrażając bazową sieć wizyjną, rozdzielając filmy źródłowe między zbiory treningowy, walidacyjny i testowy oraz testując wiele kombinacji modalności.
Dobre wyniki uzyskane na małym zbiorze danych nie dowodzą, że leżący u ich podstaw wzorzec jest oczywisty ani że w ogóle istnieje, ponieważ mogą również wynikać ze wskazówek specyficznych dla zbioru danych, stronniczości w opisywaniu danych, przecieku danych źródłowych, którego podział zbioru nie wykrył, lub wyjątkowo łatwego zbioru testowego.
Mimo to wynik jest intrygujący właśnie dlatego, że zbiór danych jest tak mały, a ryzyko przeuczenia wydaje się dostatecznie ograniczone. Zanim jednak nauczony wzorzec będzie można uznać za „odporny”, wyniki trzeba będzie powtórzyć na większym zbiorze danych.
Opublikowano po raz pierwszy w czwartek 1 października 2026 r.












