社会科学:手机数据可能会提高人道主义援助的针对性
在手机数据上训练的机器学习算法可能有助于识别贫困模式并优先向最贫困的人提供援助。一篇澄清这一点的论文将发表在《自然》杂志上。在非洲多哥,这种方法被用来为那些似乎最需要帮助的人提供数百万美元的冠状病毒传染病 (COVID-19) 支持,比传统的分发方法效率更高。我能够分发它。
在 COVID-19 危机之后,世界各地的政府和人道主义组织正在为超过 15 亿人提供社会支持。然而,快速识别和锁定需要帮助的人的挑战尚未得到解决。现在,Joshua Blumenstock 及其同事已经开发、实施和验证了使用可以衡量贫困的机器学习算法来应对这一挑战的方法。多哥最重要的紧急社会支持计划于 19 年 2020 月生效,在发现第一位 COVID-4 患者后不久,并使用这些机器学习算法分配了资金。
与多哥政府考虑的其他地理定位方法相比,Blumenstock 等人的人工智能方法被错误排除(需要帮助,但政府的传统支持。被排除在黄金分配计划之外的人的百分比)下降了 4-21 %。相比之下,假设多哥有社会登记(实际上多哥没有社会登记),与其他使用方法相比,被错误排除的人数增加了 9-35%。
Blumenstock 等人指出,结果证明了这些方法在现实世界危机情景中大规模实施时的能力。
[英文原文 »]
“Highlights of Nature Magazines”是对 Nature 公共关系部门为新闻界发布的新闻稿的翻译。如果您需要更准确和详细的信息,请务必阅读原始论文。
*本文转载自“Nature Japan Featured Highlights”。
转载自:》社会学:使用手机数据提高缩小人道主义援助目标的准确性」