Kunstmatige intelligentie is een vijfde nauwkeuriger in het voorspellen of individuen op lange termijn uitkeringen zullen krijgen.

Een nieuwe methode om uitkeringsafhankelijkheid te voorspellen, ontwikkeld door Dr. Dario Sansone van de University of Exeter Business School en Dr. Anna Zhu van RMIT University, zou regeringen miljarden aan welzijnskosten kunnen besparen en hen kunnen helpen om eerder in te grijpen om langdurige economische achterstand en sociale uitsluiting te voorkomen.

Uit hun onderzoek bleek dat machine learning-algoritmen, die verbeteren door verschillende iteraties en het gebruik van big data, zijn 22% nauwkeuriger in het voorspellen van het deel van de tijd dat individuen inkomenssteun krijgen dan de standaard vroegtijdige waarschuwingssystemen.

De onderzoekers konden de kant-en-klare algoritmen toepassen op de hele populatie mensen die tussen 2014 en 2018 waren ingeschreven in het Australische socialezekerheidsstelsel.

Dit omvatte demografische en sociaaleconomische gegevens van iedereen die een bijstandsuitkering ontving van het Australische socialezekerheidsstelsel Centrelink, hetzij op grond van werkloosheid, onbekwaamheid, Het hebben van kinderen, of mantelzorger zijn, student of pensioengerechtigde leeftijd.

Het algoritme gebruikte een steekproef van 1% van de ongeveer vijf miljoen mensen die in 2014 in het systeem waren geregistreerd in de leeftijd van 15-66 jaar en volgde die steekproef de komende drie jaar. controleren of deze personen nog steeds een bijstandsuitkering ontvingen.

Vervolgens werden de resultaten vergeleken met de huidige methoden om uitkeringsafhankelijkheid te voorspellen op basis van profileringsindicatoren zoals geslacht, leeftijd en opleiding, inkomensondersteuning geschiedenis, migratiestatus, burgerlijke staat, en woonstaat.

Ze ontdekten dat algoritmen voor machinaal leren 22% effectiever waren in het voorspellen van toekomstige inkomenssteun dan de best presterende benchmarkmethoden voor profilering.

Volgens de berekeningen van de auteurs, die personen waarvan werd voorspeld dat ze langdurige bijstandsgerechtigden zouden zijn met behulp van machine learning-algoritmen, kostten de Australische staat een extra $ 1 miljard AUS aan uitkeringen, het equivalent van ongeveer 10% van het bedrag dat het jaarlijks aan werkloosheidsuitkeringen uitgeeft.

Deze grotere nauwkeurigheid wordt toegeschreven aan hoe machine learning-algoritmen een veel groter aantal voorspellende factoren aankunnen (ongeveer 1, 800 in totaal), die de complexe processen weerspiegelt die ten grondslag liggen aan welzijnsafhankelijkheid.

De onderzoekers zeggen dat hun aanpak is gericht op het aanvullen van bestaande programma's voor vroegtijdige interventie die gericht zijn op het ontvangen van uitkeringen op de lange termijn.

Om deze programma's uit te voeren, overheden moeten weten welke individuen het meeste risico lopen - een rol die volgens de auteurs goed kan worden vervuld door algoritmen voor machine learning.

De onderzoekers voegen eraan toe dat deze verbeterde voorspellingen de bewuste en onbewuste vooroordelen die veel voorkomen bij menselijke besluitvorming kunnen verminderen.

En cruciaal, de aanpak zou relatief goedkoop zijn om te implementeren, aangezien er gebruik wordt gemaakt van gegevens die al beschikbaar zijn voor de behandelaars.

Dr. Dario Sansone, een docent economie aan de University of Exeter Business School, zei:"Overheden maken in toenemende mate gebruik van machine learning om sociale problemen aan te pakken en beslissingen te nemen over de toewijzing van middelen. het is gebruikt om rechters te helpen bij het verbeteren van beslissingen over het toekennen van borgtocht, scholen om leerlingen te identificeren die dreigen uit te vallen, en chirurgen om patiënten te screenen op heupvervangende chirurgie.

"We ontdekten dat de omvang en rijkdom van de dataset over ingeschrevenen van de sociale zekerheid het ideaal maakt voor een machine learning-toepassing, waardoor de algoritmen hoge prestaties kunnen leveren door subtiele patronen in de gegevens te detecteren en door nieuwe krachtige voorspellers te identificeren.

"Echter, we geloven niet dat algoritmen de menselijke expertise moeten vervangen, maar eerder als aanvulling dienen. Caseworkers zouden hun aandacht en tijd kunnen richten op het bieden van een persoonlijke service en het richten van de juiste ondersteuning op personen die volgens het algoritme het meeste risico lopen."

"Machinaal leren gebruiken om een ​​systeem voor vroegtijdige waarschuwing te creëren voor ontvangers van bijstand, " door Dr. Dario Sansone en Dr. Anna Zhu, is gepubliceerd als een werkdocument in de discussiepaperreeks van het IZA Institute of Labor Economics.