Overheden en humanitaire organisaties kunnen algoritmen voor machinaal leren en gegevens van mobiele telefoons gebruiken om hulp te bieden aan degenen die dit het meest nodig hebben tijdens een humanitaire crisis, zo ontdekten we in nieuw onderzoek.

Het simpele idee achter deze aanpak, zoals we hebben uitgelegd in het tijdschrift Nature op 16 maart 2022 is dat rijke mensen telefoons anders gebruiken dan arme mensen. Hun telefoontjes en sms-berichten volgen verschillende patronen en ze gebruiken bijvoorbeeld verschillende data-abonnementen. Algoritmen voor machinaal leren, een mooi hulpmiddel voor patroonherkenning, kunnen worden getraind om die verschillen te herkennen en te bepalen of een bepaalde mobiele abonnee rijk of arm is.

Toen de COVID-19-pandemie zich begin 2020 verspreidde, hielp ons onderzoeksteam het Togo's Ministerie van Digitale Economie en GiveDirectly, een non-profitorganisatie die geld stuurt naar mensen die in armoede leven, om dit inzicht om te zetten in een nieuw soort hulpprogramma.

Ten eerste hebben we recente, betrouwbare en representatieve gegevens verzameld. We werkten ter plaatse samen met partners in Togo en voerden 15.000 telefonische enquêtes uit om informatie te verzamelen over de levensomstandigheden van elk huishouden. Nadat we de antwoorden op de enquête hadden vergeleken met gegevens van de mobiele-telefoonbedrijven, hebben we de algoritmen voor machine learning getraind om de patronen van telefoongebruik te herkennen die kenmerkend waren voor mensen die van minder dan $ 1,25 per dag moesten rondkomen.

De volgende uitdaging was uitzoeken of een systeem op basis van machine learning en telefoongegevens effectief zou zijn om geld bij de armste mensen in het land te krijgen. Uit onze evaluatie bleek dat deze nieuwe aanpak beter werkte dan andere opties die de regering van Togo in overweging nam.

Als we ons bijvoorbeeld volledig concentreren op de armste kantons - die analoog zijn aan de Amerikaanse provincies - zou slechts 33% van de mensen profiteren van minder dan 1,25 dollar per dag. Daarentegen was de machine learning-aanpak gericht op 47% van die populatie.

Vervolgens hebben we samengewerkt met de regering van Togo, GiveDirectly en gemeenschapsleiders om een ​​op deze technologie gebaseerd programma voor geldoverdracht te ontwerpen en te testen. In november 2020 werden de eerste begunstigden ingeschreven en betaald. Tot op heden heeft het programma bijna $ 10 miljoen opgeleverd aan ongeveer 137.000 van de armste burgers van het land.

Ons werk toont aan dat gegevens die door mobiele-telefoonbedrijven worden verzameld, wanneer ze worden geanalyseerd met machine learning-technologie, kunnen helpen bij het rechtstreeks helpen van mensen met de grootste behoefte.

Zelfs vóór de pandemie leefde meer dan de helft van de 8,6 miljoen mensen van het West-Afrikaanse land onder de internationale armoedegrens. Terwijl COVID-19 de economische activiteit verder vertraagde, gaven onze onderzoeken aan dat 54% van alle Togolezen elke week gedwongen werd maaltijden over te slaan.

De situatie in Togo was niet uniek. De neergang als gevolg van de COVID-19-pandemie heeft miljoenen mensen in extreme armoede geduwd. Als reactie daarop lanceerden regeringen en liefdadigheidsinstellingen enkele duizenden nieuwe hulpprogramma's, waarmee meer dan 1,5 miljard mensen en gezinnen over de hele wereld baat hadden.

Maar midden in een humanitaire crisis worstelen regeringen om erachter te komen wie het meest dringend hulp nodig heeft. Onder ideale omstandigheden zouden die beslissingen gebaseerd zijn op uitgebreide enquêtes onder huishoudens. Maar er was geen manier om deze informatie te verzamelen tijdens een pandemie.

Ons werk laat zien hoe nieuwe bronnen van big data, zoals informatie afkomstig van satellieten en mobiele telefoonnetwerken, het mogelijk kunnen maken om hulp te richten in crisisomstandigheden wanneer meer traditionele gegevensbronnen niet beschikbaar zijn.

We voeren vervolgonderzoek uit om te beoordelen hoe geldoverboekingen de ontvangers beïnvloedden. Eerdere bevindingen geven aan dat geldoverdrachten kunnen helpen de voedselzekerheid te vergroten en het psychologisch welzijn in normale tijden te verbeteren. We beoordelen of die hulp tijdens een crisis vergelijkbare resultaten heeft.

Het is ook essentieel om manieren te vinden om mensen zonder telefoon in te schrijven en te betalen. In Togo had ongeveer 85% van de huishoudens ten minste één telefoon, en telefoons worden vaak gedeeld binnen families en gemeenschappen. Het is echter niet duidelijk hoeveel mensen die humanitaire hulp nodig hadden in Togo deze niet kregen vanwege hun gebrek aan toegang tot een mobiel apparaat.

In de toekomst zullen systemen die nieuwe methoden combineren die gebruikmaken van machine learning en big data met traditionele benaderingen op basis van enquêtes, de gerichte humanitaire hulp ongetwijfeld verbeteren.