En förklarlig dual‑attention‑transformer för att förutsäga den sociokulturella påverkan av globala sportevenemang

Varför stora sportögonblick betyder mer än resultatet

När miljarder människor följer OS eller VM sträcker sig effekterna långt bortom medaljer och TV‑tittarsiffror. Dessa megahändelser formar hur nationer ser sig själva, hur de uppfattas av andra och hur frågor som jämställdhet, mångfald och miljöansvar hamnar i det globala rampljuset. Denna artikel presenterar ett nytt verktyg inom artificiell intelligens som försöker mäta dessa svårfångade sociala ringar på vattnet som ett enhetligt, jämförbart poängtal, vilket ger regeringar, arrangörer och allmänheten en tydligare bild av vad vi faktiskt vinner — eller förlorar — på världens största tävlingar.

Att omvandla komplexa sociala reaktioner till en tydlig poäng

Författarna börjar med att definiera ett ”Social Impact Score” för varje större sportevenemang som hållits globalt mellan 2000 och 2024. Istället för att endast titta på pengar eller TV‑publik kombinerar de flera dimensioner: kulturellt engagemang, mångfald, könsrepresentation, allmänhetens stämning, miljömässig hållbarhet och medieuppmärksamhet. Var och en av dessa komponenter normaliseras först så att mycket olika typer av data — såsom enkätkänslor, aktivitet i sociala medier eller indikatorer för gröna evenemang — kan jämföras rättvist. Omsorgsfullt valda vikter och utjämning över tid förvandlar sedan denna blandning till ett kontinuerligt poängvärde mellan låg och hög påverkan, avsett att spegla hur starkt ett evenemang resonerar socialt och kulturellt snarare än att påstå något entydigt orsakssamband.

Att bygga en skarpare lins för evenemangsdata

För att förutsäga detta Social Impact Score samlar forskarna en stor dataset med cirka 70 000 post‑nivåer, som täcker tävlingar som OS, FIFA World Cup, Asiatiska spelen och regionala mästerskap. Varje post innehåller ekonomisk bakgrund (såsom nationell inkomst), kulturella indikatorer (som mått på mångfald och allmänhetens deltagande i kulturella program), medierapportering och volym i sociala medier, könsbalans i deltagande och bevakning samt hållbarhetsmått. De förbättrar dessa råa insatsvariabler med ”komposit”‑funktioner som kombinerar faktorer — till exempel ett gemensamt kulturellt index, en hållbarhets‑plus‑media‑signal och mått på hur sentiment interagerar med könsbalans — så att modellen kan fånga upp subtila mönster som enkla räkningar skulle missa.

En dual‑attention AI som lär sig kontext lika väl som siffror

Standardstatistiska modeller har svårt med det röriga, icke‑linjära sätt på vilket dessa ingredienser samspelar. Författarna designar därför en ny djupinlärningsarkitektur kallad Sociocultural Dual‑Attention TabTransformer. I enklare termer behandlar denna modell varje egenskap (såsom mångfald eller medieutbredning) som en token och lär sig hur de relaterar till varandra. En ”attention”‑bana ser på de numeriska variablerna och hur de påverkar varandra — till exempel hur allmänhetens stämning och mediebevakning rör sig i samklang. En andra bana injicerar kontext från kategorisk information som evenemangstyp, värdregion och sport. Tillsammans låter dessa vägar modellen förstå både finmaskiga interaktioner mellan funktioner och bredare kulturella ramar. Ytterligare träningsknep uppmuntrar försiktigt rimligt beteende — till exempel att högre hållbarhet eller större jämställdhet inte ska minska den förutsagda sociala påverkan.

Kontrollera tillförlitlighet, rättvisa och vad som verkligen driver påverkan

Den nya modellen testas mot välkända verktyg inklusive linjär regression, närmaste granne‑metoder och en stark gradient‑boosted tree‑modell. Över en uppsättning felmått och rangbaserade jämförelser förutspår dual‑attention‑transformern konsekvent Social Impact Scores mer exakt och med snävare konfidensintervall. Tidsbaserade tester (träning på tidigare år och förutsägelse av senare år) och experiment med ”leave‑one‑region‑out” visar att metoden förblir robust när den tillämpas på nya år eller olika delar av världen. För att öppna den svarta lådan destillerar författarna transformerns beteende till en enklare modell och använder SHAP, en populär förklarbarhetsmetod, för att se vilka funktioner som betyder mest. Konsekvent framträder kulturellt engagemang, mångfald, könsrepresentation, allmänhetens stämning och hållbarhet som de starkaste positiva bidragsgivarna, medan rena ekonomiska indikatorer och råa tittarsiffror spelar en stödjande, men mindre avgörande, roll.

Vad detta betyder för framtiden för globala spel

Sammanfattningsvis antyder studien att megahändelsers sociala värde formas mindre av ren storlek eller rikedom och mer av hur inkluderande, upplyftande och ansvarsfulla de är. Evenemang som aktivt främjar mångfaldigt deltagande, könsbalans, miljövänliga rutiner och en positiv allmän stämning tenderar att uppnå högre Social Impact Scores, särskilt i regioner där sådana teman redan får genomslag. Samtidigt betonar författarna att deras modell fångar mönster, inte orsaker: den kan inte bevisa att en enskild politisk åtgärd kommer att förändra samhället. Ändå erbjuder deras ramverk, genom att omvandla ett trassel av kulturella signaler till ett transparent, testbart index, en kraftfull utgångspunkt för arrangörer och beslutsfattare som vill utforma sportevenemang som verkligen stärker gemenskaper snarare än bara underhåller dem.

Citering: Chen, W., Syed Ali, S.K.B., Zulnaidi, H. et al. An explainable dual-attention transformer for predicting the sociocultural impact of global sports events. Sci Rep 16, 12812 (2026). https://doi.org/10.1038/s41598-026-43247-8

Nyckelord: sportsanalys, social påverkan, artificiell intelligens, allmänhetens sentiment, kulturell mångfald