From prediction to detection : Big data analytics for open source intelligence
De la prédiction à la détection d’évènements : L’analyse des mégadonnées au service du renseignement de sources ouvertes
Résumé
Understanding the dynamics of a conflict in order to anticipate its evolution is of major interest for open source military intelligence (OSINT) and police intelligence, particularly in the context of Intelligence Led Policing. If the ambition to predict the events of a conflict is not realistic, the ambition to detect them is an important and achievable objective. The human and social sciences, particularly the information and communication sciences combined with the science of data and documents, make it possible to exploit digital social networks in such a way as to make event detection and monitoring a more appropriate objective and method than the standard "protest event analysis" in the context of modern wars and the connected society. At the same time, this requires a renewed intelligence cycle.Based on data from the social network Twitter, collected during the Ukrainian crisis, this thesis shows the relevance of conflict detection and monitoring using our DETEVEN method. This method not only identifies relevant events in a conflict, but also facilitates their monitoring and interpretation. It is based on the detection of statistical anomalies and the adaptation of protest event analysis to social media. Our method is particularly effective on what we define as connected theatres of operation (CTOs) characteristic of new hybrid warfare contexts and on operations of misinformation or influence. These detected events were analytically exploited using a platform designed for an analyst, allowing effective data visualization. In a crisis situation, especially in a "social movement war", where each user becomes a de facto social sensor, information control is a strategic issue. This thesis therefore shows how information literacy is an important issue for individuals and groups.
Comprendre les dynamiques d’un conflit pour en anticiper les évolutions est d'un intérêt majeur pour le renseignement militaire de sources ouvertes (ROSO) et le renseignement policier, notamment dans le cadre de l'Intelligence Led Policing. Si l’ambition de vouloir prédire les évènements d’un conflit n’est pas réaliste, celui de les détecter est un objectif important et réalisable. Les sciences humaines et sociales particulièrement les sciences de l’information et de la communication combinées à la science des données et des documents permettent d’exploiter les réseaux sociaux numériques de manière à faire de la détection et du suivi d’évènement un objectif et une méthode plus adaptées que le "protest event analysis" au contexte des guerres modernes et de la société connectée. Cela nécessite en même temps de rénover le cycle du renseignement.En nous basant sur les données du réseau social Twitter, recueillies pendant la crise ukrainienne, cette thèse montre la pertinence de détection et de suivi de conflit au moyen de notre méthode DETEVEN. Cette méthode permet non seulement d’ identifier les évènements pertinents dans un conflit, mais en facilite aussi leur suivi et interprétation. Elle repose sur une détection d’anomalie statistique, et une adaptation du "protest event analysis" aux médias sociaux. Notre méthode s’avère particulièrement efficace sur ce que nous définissons comme des théâtres d’opération connectés (TOC) caractéristiques des nouveaux contextes de guerre hybride et sur des opérations de désinformation ou d’influence. Ces évènements détectés ont été exploités de façon analytique au moyen d’une plateforme conçue pour un analyste, permettant une visualisation efficace des données. Dans une situation de crise, plus encore dans une "guerre de mouvement social", où chaque utilisateur devient de fait un capteur social, la maîtrise de l’information est un enjeu stratégique. Cette thèse montre alors comment cette maîtrise de l'information constitue un important enjeu à titre individuel comme collectif.
| Origine | Version validée par le jury (STAR) |
|---|