Das Ungesehene sichtbar machen

Chancen und Herausforderungen der quantitativen Krisenfrüherkennung

von Lena Runge und Vanessa Gottwick1

Die Fähigkeit, Krisen frühzeitig zu erkennen, gehört zu den zentralen Herausforderungen moderner Konfliktforschung. In diesem Kontext gewinnen datengetriebene Vorhersageverfahren an Bedeutung. Durch Methoden des Maschinellen Lernens lassen sich umfangreiche, heterogene Datenquellen kontinuierlich auswerten, um Muster aufzudecken, die menschlichen Analyst*innen verborgen bleiben könnten. Darüber hinaus können statistische Verfahren helfen, kognitive Verzerrungen zu reduzieren und zur Objektivierung von Frühwarnsignalen beizutragen.

Krisenfrüherkennung ist in aller Munde: Die Vorhersage von bewaffneten Konflikten und ihren Folgen erfährt zunehmend Aufmerksamkeit in Politik, Wissenschaft und Praxis (D’Orazio et al. 2019).2 In der Konfliktforschung verlagerte sich der Schwerpunkt quantitativer Ansätze zunehmend von der Erklärung vergangener Konflikte zur Vorhersage zukünftiger Konflikte (Chadefaux 2017). Die zunehmende Verfügbarkeit von zeitlich wie räumlich disaggregierten Daten hat es mit einer wachsenden Rechenleistung ermöglicht, neue Methoden wie ML-Modelle in der Krisenfrüherkennung (KFE) einzusetzen. Diese erfassen nicht nur komplexere Zusammenhänge und sagen zeitlich-räumliche Dynamiken der Konflikt(de-)eskalation vorher (Muchlinski et al. 2016, S. 100), sondern evaluieren ebenfalls die Vorhersagekraft einzelner Variablen (Hegre et al. 2017, S. 115f.; vgl. u.a. Ge et al. 2022). Nach wie vor zählt dabei die Konflikthistorie zu den zuverlässigsten Indikatoren. Konflikthistorie zeigt, dass 35 % aller Konflikt-Dyaden mindestens einmal erneut auftreten (Jarland et al. 2020, S. 2) – ein Phänomen, das als »conflict trap« bekannt ist (Collier et al. 2003). Dabei treten 90 % der wiederkehrenden Konflikte innerhalb von acht Jahren auf, fast 50 % sogar bereits innerhalb von zwei Jahren (Jarland et al. 2020, S. 3). Während mediale Aufmerksamkeit meist nicht so lange anhält, bietet datenbasierte KFE das Versprechen von Einblicken in potenziell »vergessene« Konflikte – und ihre Eskalationspotenziale.

Obwohl diese Entwicklung großes Potenzial für die Konfliktforschung verspricht, verbleiben Herausforderungen. Drei von Herausforderungen geprägte Bereiche in der quantitativen KFE wird dieser Artikel näher beleuchten: Konzepte, Daten und Modelle. Anschließend wird die Demokratische Republik Kongo (DRK) als illustratives Fallbeispiel herangezogen, um sowohl das analytische Potenzial als auch die Herausforderungen einer datenbasierten, vorausschauenden Konfliktanalyse aufzuzeigen. Dabei wird kein Anspruch auf eine umfassende Erfassung aller konfliktrelevanten Aspekte erhoben.

Zukünftige Konflikte (un-)sichtbar machen

Insgesamt erfordern große Fortschritte in der quantitativen KFE ein realistisches Erwartungsmanagement und gesundes Maß an Skepsis gegenüber den inhärenten Unsicherheiten von Vorhersagen. Denn die hier besprochenen Herausforderungen in indikatorengestützten Vorhersagen tragen nicht unwesentlich zur Verlässlichkeit der Sichtbar- und Unsichtbarmachung von Konflikten bei.

Konzeptionelle Herausforderungen

Die quantitative KFE fokussiert sich in der Identifizierung von Variablen meist auf positivistische Analysekonzepte und sichtbare, direkte physische Gewalt. Obwohl die dem Konflikt zugrundeliegenden Ursachen zunehmend bei der Modellierung und Ergebnisanalyse berücksichtigt werden (Collier und Hoeffler 2000), legen verschiedene Autor*innen umfassend dar, dass gängige sozioökonomische und strukturelle Konfliktursachen nur bedingt Vorhersagekraft haben (Müller und Rauh 2022, S. 2443). Zuverlässige Vorhersageindikatoren sind ausschließlich die Bevölkerung und das Bruttoinlandsprodukt (BIP) pro-Kopf (Ward et al. 2010, S. 372). Grundsätzlich steht die quantitative Vorhersage von Konflikten vor der Herausforderung, über die historische Entwicklung von Konflikten hinaus stabile Muster zu identifizieren. Denn selbst ähnliche Bedingungen an mehreren Orten oder an anderen Zeitpunkten können zu verschiedenen Reaktionen und so zu verschiedenen Ausgangszuständen in Bezug auf Konflikteskalation oder -deeskalation führen (Chadefaux 2017, S. 13).

Im Wesentlichen beinhalten Entscheidungen über Inklusion und Exklusion – abgesehen von einer allgemeinen Datenverfügbarkeit – stets eine konzeptionelle Dimension, wie zum Beispiel bei der Definition von politischer Gewalt. So verlangt das »Uppsala Conflict Data Program« (UCDP) mindestens 25 konfliktbedingte Todesfälle pro Kalenderjahr, um ein Ereignis überhaupt in den UCDP »Georeferenced Event Dataset« (GED) – ein häufig verwendeter und anerkannter Datensatz zu Konfliktereignissen – aufzunehmen. Zudem erfasst UCDP Daten zu staatlicher, nichtstaatlicher und einseitiger Gewalt durch identifizierte Akteure und stellt mit dem UCDP »Candidate Events Dataset« eine Ergänzung zum UCDP GED bereit, indem es monatlich aktualisierte Daten zu Kandidatenereignissen für die Regionen Afrika und Vorderasien veröffentlicht. Währenddessen kodiert das »Armed Conflict Location and Event Data Project« (ACLED) weitere Ereignistypen auch ohne Akteursidentifikation oder Todesopfer, darunter Proteste und Gewalt gegen Zivilist*innen.

Hinzu kommen weitere konzeptionelle Entscheidungen von Forscher*innen wie die Auswahl der Datenverarbeitung, Modelle usw., die erhebliche Auswirkungen auf die (Un-)Sichtbarkeit von Konflikten haben können.

Datenbezogene Herausforderungen

Für die (Un-)Sichtbarkeit von Konflikten in der KFE ist zwischen beabsichtigten und unbeabsichtigten datenbezogenen Limitierungen zu unterscheiden. Bei Letzteren ist relevant, dass Ereignisse politischer Gewalt eher die Abweichung als die Norm sind, da schwere innerstaatliche Konflikte ein eher seltenes Phänomen sind (u.a. Mittermaier et al. 2024, S. 2f.). Folglich sind entsprechende Daten vergleichsweise spärlich vorhanden und Datensätze sehr unausgewogen, obwohl Vorhersagemodelle typischerweise große Fallzahlen benötigen (Müller und Rauh 2022, S. 2442). So ist es für die quantitative KFE äußerst schwierig, den Ausbruch von Konflikten in Ländern ohne eine kürzer zurückliegende Konflikthistorie vorherzusagen (Vesco et al. 2022). Hinzu kommen Herausforderungen in der (qualitativ hochwertigen) Datenverfügbarkeit und der (konstanten) räumlich-zeitlichen Erfassung (Hegre et al. 2017, S. 121). Obwohl sich die KFE zunehmend auch auf die grenzüberschreitende Verbreitung (Diffusion) von Konflikten, subnationale Analyseebenen wie beispielsweise das PRIO-GRID3 sowie akteurszentrierte Ansätze fokussiert (Buhaug und Gleditsch 2008; Tollefsen et al. 2012; Metternich et al. 2019), veröffentlichen die meisten Datensätze mit globaler Erfassung neue Daten in der Regel jährlich und auf Länderebene. Daher ist die indikatorengestützte KFE ständig auf der Suche nach neuen Datenquellen, bspw. aus Textdaten oder Satellitenbildern.

Hinsichtlich beabsichtigter Limitierungen ist relevant, dass Daten keineswegs immun gegen Missbrauch, strategische Fehldarstellung und Verschleierung sind (Miller et al. 2022). Eine häufige Diskussion zur Zuverlässigkeit betrifft beispielsweise die Anzahl der Todesopfer in bewaffneten Konflikten, da ihre Erfassung schwierig ist und unterschiedliche Quellen abweichende Angaben machen (Gromes 2023; Radford et al. 2023). Des Weiteren reproduzieren insbesondere jene Modelle, die Nachrichten und Medien als Datenquelle verwenden, die darin inhärenten Verzerrungen und berücksichtigen beispielsweise nicht ausreichend die eingeschränkte Berichterstattung in repressiven Regimen (Müller und Rauh 2022, S. 2448). Für die (Un-)Sichtbarkeit von Konflikten ist es insgesamt wichtig, transparent zu reflektieren, welche Institutionen welche Art von Daten(-akkumulationen) liefern und welche Konzepte hinter den Zahlen stehen, aber auch welche Phänomene wir (nicht) messen oder adäquat quantifizieren können.

Modellbasierte Herausforderungen

In den letzten Jahren wurden wesentliche Fortschritte bei der Entwicklung verschiedener statistisch-quantitativer Modelle zur Konfliktvorhersage erzielt. Dennoch gibt es Herausforderungen, die sowohl an den Modellen selbst als auch an ihren Konfigurationen durch die Forschenden liegen. Die Modelle stoßen etwa auf rechnerische Grenzen, wenn das Hinzufügen weiterer Variablen immer weniger Nutzen bringt (Chadefaux 2017, S. 14). Zudem ist bei steigender Komplexität nicht immer transparent, wie ein Modell zu einem bestimmten Ergebnis kommt (Lim et al. 2020, S. 2f.).

In Bezug auf den menschlichen Faktor beeinflussen strategische Entscheidungen beim Entwickeln und Trainieren von Vorhersagemodellen ebenso die Sichtbarkeit zukünftiger Konflikte (Miller et al. 2022, S. 3). Zum Beispiel reproduzieren sich menschliche Voreingenommenheit und Wissenslücken in sogenannten überwachten Lernmodellen, bei denen Forschende Daten manuell kennzeichnen und Algorithmen auf das Erkennen von Mustern trainieren (D’Orazio et al. 2019, S. 4714). Wie Müller und Rauh (2022, S. 2443) betonen, können Vorhersagemodelle weniger konservativ sein, wenn ein (politisches) Interesse daran besteht, sensibler auf potenzielle zukünftige Konflikte zu reagieren – zum Beispiel, weil die Kosten für Prävention als niedriger angesehen werden als die einer späten Intervention. Außerdem steht die Leistungsfähigkeit eines Modells regelmäßig in einem Zielkonflikt mit der Interpretierbarkeit und Bedeutung einzelner Variablen, da prinzipiell bei gleicher Leistung das weniger komplexe Modell für die Vorhersage bevorzugt wird (Hegre et al. 2017, S. 117).

Anhaltende Konflikte in der Demokratischen Republik Kongo

Die Konflikte in der Demokratischen Republik Kongo (DRK) sind zahlreich, halten seit Jahrzehnten an, zählen zu den komplexesten humanitären Krisen unserer Zeit (UNHCR 2024), und stellen ein besonders einprägsames Beispiel für die Dynamiken langanhaltender und zyklischer Gewalt dar. Seit den frühen 1990er Jahren haben die Konflikte, die sich weitgehend auf die östlichen Provinzen Nord-Kivu, Ituri und Süd-Kivu konzentrieren, nicht nur zahlreiche konfliktbedingte Tode gefordert, sondern auch zu einer der größten Vertreibungen weltweit geführt (Council on Foreign Relations 2024). Haupttreiber der Konflikte ist die Machtausweitung diverser Rebellengruppen, die aus einem Mangel an staatlicher Kontrolle, inter-ethnischen Spannungen sowie Konkurrenzen um Rohstoffe resultiert (Kerstan 2025). Darunter ist die anhaltende Präsenz und das brutale Vorgehen zahlreicher bewaffneter Gruppen, wie das der Gruppierungen M23 (Mouvement du 23 Mars), ADF (Allied Democratic Forces) und CODECO (Coopérative pour le développement du Congo), zentral.

Seit Ende 2021 ist M23 wieder vermehrt militärisch aktiv (siehe für die damit in Zusammenhang stehenden Todesfälle Abbildung 1) und erlangte bis Juli 2023 die Kontrolle über weite Teile der Provinz Nord-Kivu. Einen von Angola im August 2024 vermittelten Waffenstillstand scheint M23 seit Oktober 2024 durch neue Offensiven zu konterkarieren (France 24 2024). Hinzu kommt eine transnationale Dimension, denn M23 spielt eine zentrale Rolle im Konflikt zwischen der DRK und Ruanda (vgl. Sematumba 2024). Aufgrund des Vorwurfs der Unterstützung der Gruppierung durch Ruanda, führte der Wiederaufstieg von M23 zu einer erneuten Verschärfung der regionalen Spannungen. Noch im November 2023 stufte die Stabilisierungsmission der Vereinten Nationen in der DRK (MONUSCO) eine direkte interstaatliche Konfrontation zwischen DRK, Ruanda und auch Burundi als reales Risiko ein (UNSC 2023). Trotz anhaltender Gewalt und fehlender effektiver Alternativen beendete die MONUSCO ihre Einsätze in Süd-Kivu im April 2024 (vgl. Nantulya 2024). Mit dem angestrebten vollständigen Abzug der MONUSCO und beständigen Konfliktlinien sind die zukünftigen Entwicklungen der Dynamiken für die Region von besonderer Relevanz.

Vor diesem Hintergrund bietet die Analyse öffentlich zugänglicher Vorhersagen, wie beispielsweise bereitgestellt über das »VIEWS Data Dashboard«4, wertvolle Einblicke in die potenziellen Entwicklungen des Konflikts auf nationaler wie subnationaler Ebene. Im Zeitraum von Januar 2025 bis Oktober 2027 prognostiziert VIEWS auf nationaler Ebene eine steigende Anzahl an Todesfällen im Zusammenhang mit staatlich basierten Konflikten in der DRK. Die Prognosen auf subnationaler Ebene verdeutlichen den potenziellen Eskalationsschwerpunkt besonders an der Grenze zu Ruanda und Uganda.

Zielvariable: Was sagen wir vorher?

Im Rahmen der konzeptionellen Herausforderungen in der Konfliktvorhersage wird häufig hervorgehoben, dass sich ein Großteil der Forschung auf eine zentrale Zielvariable fokussiert: konfliktbedingte Todesfälle, die aus gewaltsamen Auseinandersetzungen zwischen Rebellengruppen und staatlichen Akteuren resultieren. Oswald (2024, S. 2) betont, dass es neben dieser Variable eine Vielzahl weiterer relevanter Faktoren gibt, die wesentlich zur Konflikt­eskalation und -intensität beitragen können, darunter Gewalt zwischen nichtstaatlichen Akteuren oder sicherheitsrelevante Vorfälle ohne verzeichnete Todesfälle. Insbesondere im Kontext der DRK stellt sich die grundlegende Frage, ob die Konzentration auf die Vorhersage konfliktbedingter Todesfälle zwischen Rebellen und Regierung als alleiniger Indikator für Konfliktdynamiken hinreichend ist. So verdeutlichen gerade die Zusammenstöße zwischen lokalen Milizen im Osten und die parastaatlichen Strukturen in Abwesenheit des Staates die komplexen und multidimensionalen Dynamiken.

Komplexität: Welche Konflikt­dynamiken machen wir messbar?

In der DRK, wie in vielen anderen Konfliktgebieten, sind die tief verwurzelten gesellschaftlichen, politischen und wirtschaftlichen Ursachen von Konflikten komplex und vielschichtig. Diese mitunter strukturell verankerten Ursachen lassen sich in allen ihren Ausformungen nur schwer quantifizieren und messen. Zudem erschwert der Mangel an umfassenden und validierten Daten, wie beispielsweise zu interner Vertreibung in der DRK, die Analyse der Konfliktsituation erheblich (Uebersax 2024). Ohne präzise, langanhaltende und flächendeckende Datenerhebung, insbesondere außerhalb der östlichen Provinzen, bleiben wesentliche Teile der Konfliktdynamik unberücksichtigt. Dies führt dazu, dass regionale Sicherheitslagen und die Bedürfnisse der Bevölkerung nicht ausreichend genau eingeschätzt werden können. Ein tieferes Verständnis der Konfliktdynamiken, ermöglicht durch kontinuierliche Daten­erhebung über längere Zeiträume, ist daher von entscheidender Bedeutung. Dies erfordert jedoch ausreichend Ressourcen und notwendige Beachtung von ethischen, rechtlichen und gesellschaftlichen Aspekten bei der Datensammlung.

Disaggregierte Analyseebene: Welchen Fokus haben unsere Modelle?

Öffentlich zugängliche Vorhersagen, wie beispielsweise aufbereitet im »VIEWS Data Dashboard« oder im ACLED »Conflict Alert System« (CAST), verdeutlichen die Relevanz von subnationalen Analyseeinheiten. Insbesondere für den Kontext in der DRK ist es von besonderem Interesse, regionale Dynamiken sichtbar zu machen. Vorhersagen, die lediglich einen nationalen Durchschnittswert anzeigen, können lokale Dynamiken verschleiern. So zeigt sich bereits in der Darstellung des Konfliktgeschehens zwischen 2020 und 2024 eine deutlich erhöhte Aktivität in den östlichen Gebieten (siehe Abbildung 2). Gleichzeitig ist auch im Kontext der DRK eine differenzierte Modellierung, die der Komplexität angemessen wäre, nicht realisierbar. So werden beispielsweise zusätzliche Indikatoren mit starker Vorhersagekraft, wie das BIP, nur auf nationaler Ebene, jährlich und aus formalen Sektoren erfasst. Vor dem Hintergrund, dass der Konflikt in der DRK maßgeblich durch eine Vielzahl von Konfliktakteuren geprägt ist (bis zu 120 aktiven Gruppierungen), wäre die ergänzende Berücksichtigung einer akteurs- und netzwerkzen­trierten Prognose von Konfliktintensitäten dringend nötig (Metternich et al. 2019).

Diese Beispiele verdeutlichen, dass die datengetriebene KFE neue Maßstäbe in der Identifikation zukünftiger Krisen setzt, jedoch eine kontinuierliche Weiterentwicklung erforderlich ist, um eine umfassende Sichtbarmachung zu erreichen.

Anmerkungen

1) Die in diesem Artikel geäußerten Ansichten stammen von den Autorinnen und spiegeln nicht notwendigerweise die offizielle Politik oder Position einer Behörde der deutschen Regierung wider. Die Autorinnen bedanken sich bei Clara Clipea für die Grafiken.

2) „Krisenfrüherkennung ist die indikatorengestützte, frühzeitige Identifikation von politischen, wirtschaftlichen und gesellschaftlichen Entwicklungen, die das Potential bergen, Konflikte innerhalb von Staaten und Gesellschaften gewaltsam eskalieren zu lassen“ (Auswärtiges Amt 2017, S. 110).

3) Das PRIO-GRID hat globale Abdeckung und besteht aus quadratischen Gitterzellen, mit einer Auflösung von 0,5 x 0,5 Dezimalgradzellen, wobei eine Zelle 55 x 55 Kilometer am Äquator entspricht (Tollefsen et al. 2012).

4) Das Dashboard kann unter der URL viewsforecasting.org/dashboard aufgerufen werden.

Literatur

Auswärtiges Amt (Hrsg.) (2017): Krisen verhindern, Konflikte bewältigen, Frieden fördern. Leitlinien der Bundesregierung.

Buhaug, H.; Gleditsch, K. (2008): Contagion or confusion? Why conflicts cluster in space. International Studies Quaterly 52(2), S. 215-233.

Chadefaux, T. (2017): Conflict forecasting and its limits. Data Science 1(1-2), S. 7-17.

Collier, P.; Elliott, L.; Hegre, H.; Hoeffler, A.; Reynal-Querol, M.; Sambanis, N. (2003): Breaking the conflict trap: Civil war and development policy. World Bank Policy Research Report 56793.

Collier, P.; Hoeffler, A. (2000): Greed and grievance in civil war. Oxford Economic Papers 56(4), S. 563-595.

Council on Foreign Relations (Hrsg.) (2024): Conflict in the Democratic Republic of Congo. Global Conflict Tracker, Homepage. URL: cfr.org/global-conflict-tracker/conflict/violence-democratic-republic-congo.

D’Orazio, V.; Honaker, J.; Prasady, R.; Shoemate, M. (2019): Modeling and forecasting armed conflict: AutoML with human-guided machine learning. 2019 IEEE International Conference on Big Data, Conference Proceedings, S. 4714-4723.

France 24 (2024): Congo, Rwanda sign key agreement to advance peace process in eastern DRC. Franace 24, 26.11.2024.

Ge, Q.; Hao, M.; Ding, F.; Jiang, D.; Scheffran, J.; Helman, D.; Ide, T. (2022): Modelling armed conflict risk under climate change with machine learning and time-series data. Nature Communications 13, 2839.

Gromes, T. (2023): Reporting of conflict fatalities in the UCDP Georeferenced Event Dataset: Insights from Kosovo. Zeitschrift für Vergleichende Politikwissenschaft 17(2), S. 189-206.

Hegre, H.; Metternich, N.; Nygård, H.; Wucherpfennig, J. (2017): Introduction. Forecasting in Peace Research. Journal of Peace Research 54(2), S. 113-124.

Jarland, J.; Nygård, H.; Gates, S.; Hermansen, E.; Larsen, V. (2020): How should we understand patterns of recurring conflict? PRIO Conflict Trends 3/2020. Oslo: PRIO.

Kerstan, J. (2025): Dossier: Demokratische Republik Kongo. Homepage, Berlin: Bundeszentrale für politische Bildung.

Lim, B.; Arik, S.; Loeff, N.; Pfister, T. (2020): Temporal Fusion Transformers for interpretable multi-horizon time series forecasting. ArXiv, abs/1912.09363.

Metternich, N.; Çiflikli, G.; Weber, S.; Rickard, K.; Lomax, G. (2019): Predicting the severity of civil wars: An actor-centric approach. Preprint, URL: osf.io/preprints/socarxiv/92y58_v1.

Miller, E.; Kishi, R.; Raleigh, C.; Dowd, C. (2022): An agenda for addressing bias in conflict data. Scientific Data 9, 593.

Mittermeier, D.; Bohne, T.; Hofer, M. (2024): Forest of UncertainT(r)ees: Using tree-based ensembles to estimate probability distribution of future conflict. Preprint, VIEWS Forecasting, 27.6.2024.

Muchlinski, D.; Siroky, D.; He, J.; Kocher, M. (2016): Comparing random forest with logistic regression for predicting class-imbalanced Civil War Onset data. Political Analysis 24(1), S. 87-103.

Müller, H.; Rauh, C. (2022): The hard problem of prediction for conflict prevention. Journal of the European Economic Association 20(6). S. 2440-2467.

Nantulya, P. (2024): Understanding the Democratic Republic of the Congo’s push for MONUSCO’s departure. Africa Centre for Strategic Studies, Blogpost, 20.5.2024.

Oswald, C. (2024): I still haven’t found what I’m looking for: Predicting conflict fatalities and security-related incidents with Google Trends and Wikipedia data. Preprint, URL: osf.io/preprints/socarxiv/2sbpg_v1.

Radford, B.; Dai, Y.; Stoehr, N.; Schein, A.; Fernandez, M.; Sajid, H. (2023): Estimating conflict losses and reporting biases. Proceedings of the National Academy of Sciences of the United States of America 120, 34.

Raleigh, C.; Kishi, R; Linke, A. (2023): Political instability patterns are obscured by conflict dataset scope conditions, sources, and coding choices. In: Humanities and Social Sciences Communications 10, 74.

Sematumba, O. (2024): In Eastern DR Congo, “The Regional War is Already Happening”. International Crisis Group, Op-Ed, 20.3.2024.

Tollefsen, A.; Strand, H.; Buhaug, H. (2012): PRIO-GRID: A unified spatial data structure. Journal of Peace Research 49(2), S. 363-374.

Uebersax, D. (2024): M23 conflict caused nearly 3 out of every 4 displacements in the DRC this year. Internal Displacement Monitoring Centre, Expert analysis, 23.9.2024.

UNHCR (2024): Democratic Republic of the Congo situation. Operational Situation Profile Homepage, URL: reporting.unhcr.org/operational/situations/democratic-republic-congo-situation.

UNSC (2023): As Democratic Republic of Congo elections approach, speakers in Security Council express concern over humanitarian situation, regional tensions. Pressemitteilung, SC/15521, 11.12.2023.

Vesco, P.; Hegre, H.; Colaresi, M.; Jansen, R.; Lo, A.; Reisch, G.; Weidmann, N. (2022): United they stand: Findings from an escalation prediction competition. International Interactions 48(4), S. 860-896.

Ward, M.; Greenhill, B.; Bakke, K. (2010): The perils of policy by p-value: Predicting civil conflicts. Journal of Peace Research 47(4), S. 363-375.

Lena Runge ist wissenschaftliche Mitarbeiterin am Kompetenzzentrum Krisenfrüherkennung der Universität der Bundeswehr München. Sie promoviert zu Abzügen von Friedensmissionen der Vereinten Nationen.
Vanessa Gottwick ist wissenschaftliche Mitarbeiterin (Postdoc) und Abteilungsleitung am Kompetenzzentrum Krisenfrüherkennung.