Tracking Accuracy of Strategic Intelligence Forecasts: Findings from a Long-Term Canadian Study
Notice bibliographique
Résumé
Forecasting plays a vital role in intelligence assessment and contributes to national security decision-making by improving strategic foresight. Remarkably, most intelligence organizations do not proactively track their forecasting accuracy and, therefore, do not know how accurate their forecasts are or what types of biases intelligence analysts (or organizations) might exhibit. We review research on geopolitical forecasting and a roughly decade-long program of research to assess the accuracy of strategic intelligence forecasts produced by and for the Government of Canada. This research is described in three phases corresponding to previously published research, following which novel analyses (drawing from the data used in the earlier phases) are reported. The findings reveal a high degree of forecasting accuracy as well as significant underconfidence. These results were evident regardless of whether analysts assigned numeric probabilities to their forecasts. However, the novel analyses clarified that there is a substantial cost to accuracy if end-users rely on their own interpretations of verbal probability terms used in the forecasts. We recommend that intelligence organizations proactively track forecasting accuracy as a means of supporting accountability and organizational learning. We also recommend that intelligence organizations use numeric probabilities in forecasts as a means of improving intelligence producer-consumer agreement in the interpretation of forecasts and other probabilistic assessments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,010 |
| Études des sciences et des technologies | 0,009 | 0,003 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».