Algoritmer 22% mere præcise til at forudsige velfærdsafhængighed

Kunstig intelligens er en femtedel mere præcis til at forudsige, om individer sandsynligvis vil blive langsigtede modtagere af ydelser.

En ny metode til at forudsige velfærdsafhængighed, udviklet af Dr. Dario Sansone fra University of Exeter Business School og Dr. Anna Zhu fra RMIT University, kunne spare regeringer for milliarder i velfærdsomkostninger samt hjælpe dem med at foretage tidligere indgreb for at forhindre langsigtede økonomiske ulemper og social udstødelse.

Deres undersøgelse viste, at maskinlæringsalgoritmer, som forbedres gennem adskillige iterationer og brug af big data, er 22 % mere præcise til at forudsige andelen af ​​tid, som individer er på indkomststøtte end standard varslingssystemer.

Forskerne var i stand til at anvende hyldevarealgoritmerne på hele befolkningen af ​​personer, der var indskrevet i det australske sociale sikringssystem mellem 2014 og 2018.

Dette omfattede demografiske og socioøkonomiske data om alle, der modtog en velfærdsydelse fra Australiens sociale sikringssystem Centrelink, hvad enten det er på grund af arbejdsløshed, handicap, at få børn, eller at være plejer, en studerende eller i pensionsalderen.

Algoritmen brugte en stikprøve på 1 % af de omkring fem millioner mennesker, der var registreret i systemet i alderen 15-66 i 2014, og fulgte denne prøve i de næste tre år, overvågning af, om disse personer stadig modtog indkomststøtte.

Den sammenlignede derefter resultaterne med nuværende metoder til at forudsige velfærdsafhængighed baseret på profileringsindikatorer såsom sex, alder og uddannelse, indkomststøtte historie, migrationsstatus, Civilstand, og bopælsstat.

De fandt ud af, at maskinlæringsalgoritmer var 22 % mere effektive til at forudsige fremtidig indkomststøtte end de bedst ydende benchmarkmetoder til profilering.

Ifølge forfatternes beregninger, de personer, der blev forudsagt at være langsigtede velfærdsfordringshavere ved hjælp af maskinlæringsalgoritmer, kostede den australske stat yderligere 1 mia. USD i velfærdsbetalinger, svarende til omkring 10 % af det beløb, den årligt bruger på dagpenge.

Denne større nøjagtighed tilskrives, hvordan maskinlæringsalgoritmer kan håndtere et langt større udvalg af forudsigelige faktorer (omkring 1, 800 i alt), som afspejler de komplekse processer, der ligger til grund for velfærdsafhængighed.

Forskerne siger, at deres tilgang er rettet mod at supplere eksisterende tidlige interventionsprogrammer rettet mod langsigtet velfærdsmodtagelse.

For at implementere disse programmer, regeringer har brug for at vide, hvilke individer der er mest udsatte – en rolle, som forfatterne siger, kan udfyldes af maskinlæringsalgoritmer.

Forskerne tilføjer, at disse forbedrede forudsigelser kan reducere bevidste og ubevidste skævheder, der er almindelige i menneskelig beslutningstagning.

Og afgørende, tilgangen vil være relativt billig at implementere, da den gør brug af data, der allerede er tilgængelige for sagsbehandlere.

Dr. Dario Sansone, en lektor i økonomi ved University of Exeter Business School, sagde:"Regeringer bruger i stigende grad maskinlæring til at tackle sociale problemer og træffe beslutninger om ressourceallokering. F.eks. det er blevet brugt til at hjælpe dommere med at forbedre afgørelser om kaution, skoler for at identificere elever med risiko for at droppe ud, og kirurger til at screene patienter for hofteprotesekirurgi.

"Vi fandt ud af, at størrelsen og rigdommen af ​​datasættet på socialsikringstilmeldte gør det ideelt til en maskinlæringsapplikation, gør det muligt for algoritmerne at opnå høj ydeevne ved at detektere subtile mønstre i dataene og ved at identificere nye kraftfulde forudsigere.

"Imidlertid, Vi mener ikke, at algoritmer skal erstatte menneskelig ekspertise, men snarere fungere som dens komplement. Sagsbehandlere kunne fokusere deres opmærksomhed og tid på at levere en personlig service og målrette den passende støtte til personer, som algoritmen identificerer som mest udsatte."

"Brug af maskinlæring til at skabe et tidligt varslingssystem for velfærdsmodtagere, " af Dr. Dario Sansone og Dr. Anna Zhu, er udgivet som et arbejdspapir i IZA Institute of Labor Economics diskussionspapirserie.