Hvordan AI hjalp med at levere kontanthjælp til mange af de fattigste mennesker i Togo

Regeringer og humanitære grupper kan bruge maskinlæringsalgoritmer og mobiltelefondata til at få hjælp til dem, der har mest brug for det under en humanitær krise, fandt vi i ny forskning.

Den enkle idé bag denne tilgang, som vi forklarede i tidsskriftet Nature den 16. marts 2022, er, at velhavende mennesker bruger telefoner anderledes end fattige. Deres telefonopkald og tekstbeskeder følger forskellige mønstre, og de bruger f.eks. forskellige dataplaner. Maskinlæringsalgoritmer – som er smarte værktøjer til mønstergenkendelse – kan trænes til at genkende disse forskelle og udlede, om en given mobilabonnent er rig eller fattig.

Da COVID-19-pandemien spredte sig i begyndelsen af ​​2020, hjalp vores forskerhold Togos ministerium for digital økonomi og GiveDirectly, en nonprofitorganisation, der sender penge til mennesker, der lever i fattigdom, med at omdanne denne indsigt til en ny type hjælpeprogram.

Først indsamlede vi nyere, pålidelige og repræsentative data. I samarbejde med partnere i Togo gennemførte vi 15.000 telefonundersøgelser for at indsamle oplysninger om hver husstands levevilkår. Efter at have matchet undersøgelsessvarene med data fra mobiltelefonselskaberne, trænede vi maskinlæringsalgoritmerne til at genkende de mønstre for telefonbrug, der var karakteristiske for mennesker, der lever for mindre end 1,25 USD om dagen.

Den næste udfordring var at finde ud af, om et system baseret på maskinlæring og telefondata ville være effektivt til at skaffe penge til de fattigste mennesker i landet. Vores evaluering viste, at denne nye tilgang virkede bedre end andre muligheder, Togos regering overvejede.

For eksempel ville en udelukkende fokusere på de fattigste kantoner – som er analoge med amerikanske amter – kun have givet fordele til 33 % af de mennesker, der lever for mindre end 1,25 USD om dagen. I modsætning hertil målrettede maskinlæringstilgangen sig mod 47 % af denne befolkning.

Vi samarbejdede derefter med Togos regering, GiveDirectly og samfundsledere for at designe og pilotere et pengeoverførselsprogram baseret på denne teknologi. I november 2020 blev de første modtagere tilmeldt og betalt. Til dato har programmet givet næsten 10 millioner dollars til omkring 137.000 af landets fattigste borgere.

Vores arbejde viser, at data indsamlet af mobiltelefonselskaber – når de analyseres med maskinlæringsteknologi – kan hjælpe med at rette hjælpen til dem med det største behov.

Allerede før pandemien levede over halvdelen af ​​den vestafrikanske nations 8,6 millioner mennesker under den internationale fattigdomsgrænse. Da COVID-19 bremsede den økonomiske aktivitet yderligere, viste vores undersøgelser, at 54 % af alle togolesere blev tvunget til at gå glip af måltider hver uge.

Situationen i Togo var ikke enestående. Nedturen som følge af COVID-19-pandemien skubbede millioner af mennesker ud i ekstrem fattigdom. Som svar lancerede regeringer og velgørende organisationer flere tusinde nye hjælpeprogrammer, der gav fordele til over 1,5 milliarder mennesker og familier rundt om i verden.

Men midt i en humanitær krise kæmper regeringer med at finde ud af, hvem der har mest brug for hjælp. Under ideelle omstændigheder ville disse beslutninger være baseret på omfattende husstandsundersøgelser. Men der var ingen måde at indsamle disse oplysninger midt i en pandemi.

Vores arbejde hjælper med at demonstrere, hvordan nye kilder til big data – såsom information indsamlet fra satellitter og mobiltelefonnetværk – kan gøre det muligt at målrette bistand midt i kriseforhold, når mere traditionelle datakilder ikke er tilgængelige.

Vi udfører opfølgende undersøgelser for at vurdere, hvordan pengeoverførsler påvirkede modtagerne. Tidligere resultater tyder på, at pengeoverførsler kan bidrage til at øge fødevaresikkerheden og forbedre det psykiske velvære i normale tider. Vi vurderer, om den bistand har lignende resultater under en krise.

Det er også vigtigt at finde måder at tilmelde og betale folk uden telefoner. I Togo havde omkring 85 % af husstandene mindst én telefon, og telefoner deles ofte inden for familier og lokalsamfund. Det er dog ikke klart, hvor mange mennesker, der havde brug for humanitær bistand i Togo, der ikke fik den på grund af deres manglende adgang til en mobilenhed.

I fremtiden vil systemer, der kombinerer nye metoder, der udnytter maskinlæring og big data, med traditionelle tilgange baseret på undersøgelser, nødvendigvis forbedre målretningen af ​​humanitær bistand.