Governos e grupos humanitários podem usar algoritmos de aprendizado de máquina e dados de telefones celulares para ajudar aqueles que mais precisam durante uma crise humanitária, descobrimos em uma nova pesquisa.
A ideia simples por trás dessa abordagem, como explicamos na revista Nature em 16 de março de 2022, é que as pessoas ricas usam telefones de maneira diferente das pessoas pobres. Seus telefonemas e mensagens de texto seguem padrões diferentes e usam planos de dados diferentes, por exemplo. Algoritmos de aprendizado de máquina – que são ferramentas sofisticadas para reconhecimento de padrões – podem ser treinados para reconhecer essas diferenças e inferir se um determinado assinante de celular é rico ou pobre.

À medida que a pandemia do COVID-19 se espalhava no início de 2020, nossa equipe de pesquisa ajudou o Ministério da Economia Digital do Togo e a GiveDirectly, uma organização sem fins lucrativos que envia dinheiro para pessoas que vivem na pobreza, a transformar essa visão em um novo tipo de programa de ajuda.

Primeiro, coletamos dados recentes, confiáveis ​​e representativos. Trabalhando em campo com parceiros no Togo, realizamos 15.000 pesquisas por telefone para coletar informações sobre as condições de vida de cada família. Depois de comparar as respostas da pesquisa com os dados das empresas de telefonia móvel, treinamos os algoritmos de aprendizado de máquina para reconhecer os padrões de uso do telefone que eram características de pessoas que vivem com menos de US$ 1,25 por dia.

O próximo desafio foi descobrir se um sistema baseado em aprendizado de máquina e dados telefônicos seria eficaz para levar dinheiro para as pessoas mais pobres do país. Nossa avaliação indicou que essa nova abordagem funcionou melhor do que outras opções que o governo do Togo estava considerando.

Por exemplo, concentrar-se inteiramente nos cantões mais pobres – que são análogos aos condados dos EUA – traria benefícios para apenas 33% das pessoas que vivem com menos de US$ 1,25 por dia. Por outro lado, a abordagem de aprendizado de máquina teve como alvo 47% dessa população.

Em seguida, fizemos uma parceria com o governo do Togo, a GiveDirectly e líderes comunitários para projetar e pilotar um programa de transferência de dinheiro baseado nessa tecnologia. Em novembro de 2020, os primeiros beneficiários foram cadastrados e pagos. Até o momento, o programa forneceu quase US$ 10 milhões para cerca de 137.000 dos cidadãos mais pobres do país.

Nosso trabalho mostra que os dados coletados por empresas de telefonia móvel – quando analisados ​​com tecnologia de aprendizado de máquina – podem ajudar a direcionar a ajuda para aqueles com maior necessidade.

Mesmo antes da pandemia, mais da metade dos 8,6 milhões de habitantes do país da África Ocidental vivia abaixo da linha de pobreza internacional. À medida que o COVID-19 desacelerou ainda mais a atividade econômica, nossas pesquisas indicaram que 54% de todos os togoleses foram forçados a perder refeições a cada semana.

A situação no Togo não era única. A crise resultante da pandemia do COVID-19 empurrou milhões de pessoas para a pobreza extrema. Em resposta, governos e instituições de caridade lançaram vários milhares de novos programas de ajuda, proporcionando benefícios a mais de 1,5 bilhão de pessoas e famílias em todo o mundo.

Mas no meio de uma crise humanitária, os governos lutam para descobrir quem precisa de ajuda com mais urgência. Em circunstâncias ideais, essas decisões seriam baseadas em pesquisas domiciliares abrangentes. Mas não havia como reunir essas informações em meio a uma pandemia.

Nosso trabalho ajuda a demonstrar como novas fontes de big data – como informações obtidas de satélites e redes de telefonia móvel – podem tornar possível direcionar a ajuda em meio a condições de crise, quando fontes de dados mais tradicionais não estão disponíveis.

Estamos realizando uma pesquisa de acompanhamento para avaliar como as transferências de dinheiro afetaram os destinatários. Descobertas anteriores indicam que as transferências de dinheiro podem ajudar a aumentar a segurança alimentar e melhorar o bem-estar psicológico em tempos normais. Estamos avaliando se essa ajuda tem resultados semelhantes durante uma crise.

Também é essencial encontrar maneiras de inscrever e pagar pessoas sem telefones. No Togo, cerca de 85% das famílias tinham pelo menos um telefone, e os telefones são frequentemente compartilhados entre famílias e comunidades. No entanto, não está claro quantas pessoas que precisavam de assistência humanitária no Togo não a receberam devido à falta de acesso a um dispositivo móvel.

No futuro, os sistemas que combinam novos métodos que aproveitam o aprendizado de máquina e big data com abordagens tradicionais baseadas em pesquisas certamente melhorarão o direcionamento da ajuda humanitária.