Las redes sociales son una fuente de datos esencial para la percepción del riesgo de eventos sociales complejos. Sin embargo, los métodos de alerta temprana existentes se basan principalmente en picos de popularidad, etiquetas semánticas específicas de la tarea o estructuras de propagación observables, ignorando a menudo los cambios en el ritmo de propagación antes de una crisis. Este artículo propone un marco en línea no supervisado para la alerta temprana de crisis en redes sociales. Agregando comportamientos heterogéneos en una secuencia de intensidad unificada, detecta fases de propagación anómalamente aceleradas en relación con las líneas base históricas mediante suavizado causal, extracción de tasa de cambio, umbrales cuántiles móviles, restricciones de persistencia y mecanismos de enfriamiento. En comparación con los métodos impulsados por la intensidad, se enfoca en “si el sistema se está acelerando hacia un estado de riesgo” en lugar de “si ha alcanzado un estado de alta popularidad”; en comparación con los métodos impulsados por semántica y estructura, tiene dependencias más débiles en anotaciones, ontologías y gráficos de propagación completos. Experimentos rigurosos de reproducción causal en el conjunto de datos de la crisis Rusia-Ucrania de Weibo y el conjunto de datos de comentarios breves de películas de Douban demuestran que el marco captura procesos agregativos ascendentes antes de eventos clave con baja interferencia de falsas alarmas, mostrando reutilización estructural entre escenarios. Los resultados indican que detectar cambios en la dinámica de propagación ofrece un camino ligero, interpretable y transferible para la alerta temprana en línea en sistemas complejos.

Medios sociales;Alerta temprana de crisis;Detección de anomalías en línea;Dinámica causal;Radar social Doppler