A inteligência artificial é um quinto mais precisa em prever se os indivíduos têm probabilidade de se tornar recipientes de benefícios a longo prazo.

Um novo método de previsão da dependência do bem-estar, desenvolvido pelo Dr. Dario Sansone da University of Exeter Business School e Dra. Anna Zhu da RMIT University, poderia economizar bilhões de governos em custos de bem-estar, bem como ajudá-los a fazer intervenções antecipadas para prevenir desvantagens econômicas e exclusão social de longo prazo.

Seu estudo descobriu que algoritmos de aprendizado de máquina, que melhoram por meio de várias iterações e uso de big data, são 22% mais precisos em prever a proporção de tempo que os indivíduos ficam sob auxílio de renda do que os sistemas de alerta antecipado padrão.

Os pesquisadores foram capazes de aplicar os algoritmos de prateleira a toda a população de pessoas inscritas no sistema de seguridade social australiano entre 2014 e 2018.

Isso incluiu dados demográficos e socioeconômicos de qualquer pessoa que recebeu um pagamento de bem-estar do sistema de previdência social australiano Centrelink, seja por motivo de desemprego, incapacidade, ter filhos, ou sendo um cuidador, estudante ou em idade de reforma.

O algoritmo usou uma amostra de 1% dos cerca de cinco milhões de pessoas cadastradas no sistema com idades entre 15-66 em 2014 e acompanhou essa amostra pelos próximos três anos, monitorar se esses indivíduos ainda estavam recebendo pagamentos de auxílio à renda.

Em seguida, comparou os resultados aos métodos atuais de previsão da dependência do bem-estar com base em indicadores de perfil, como sexo, idade e educação, histórico de suporte de renda, status de migração, Estado civil, e estado de residência.

Eles descobriram que os algoritmos de aprendizado de máquina eram 22% mais eficazes na previsão de suporte de renda futura do que os métodos de referência de perfil de melhor desempenho.

De acordo com os cálculos dos autores, aqueles indivíduos que deveriam ser requerentes de previdência a longo prazo usando algoritmos de aprendizado de máquina custam ao Estado australiano um AUS adicional de US $ 1 bilhão em pagamentos de previdência, o equivalente a cerca de 10% do valor que gasta anualmente com seguro-desemprego.

Essa maior precisão é atribuída a como os algoritmos de aprendizado de máquina podem lidar com uma gama muito maior de fatores preditivos (cerca de 1, 800 no total), que reflete os processos complexos subjacentes à dependência do bem-estar.

Os pesquisadores afirmam que sua abordagem visa complementar os programas de intervenção precoce existentes, visando o recebimento do bem-estar de longo prazo.

Para implementar esses programas, os governos precisam saber quais indivíduos correm maior risco - uma função que, segundo os autores, pode ser desempenhada habilmente por algoritmos de aprendizado de máquina.

Os pesquisadores acrescentam que essas previsões aprimoradas podem reduzir os preconceitos conscientes e inconscientes comuns na tomada de decisão humana.

E o mais importante, a abordagem seria de custo relativamente baixo para implementar, uma vez que faz uso de dados já disponíveis para os responsáveis ​​pelo caso.

Dr. Dario Sansone, um professor de economia na University of Exeter Business School, disse:"Os governos estão usando cada vez mais o aprendizado de máquina para resolver problemas sociais e tomar decisões de alocação de recursos. Por exemplo, tem sido usado para ajudar os juízes a melhorar as decisões de concessão de fiança, escolas para identificar alunos em risco de abandono, e cirurgiões para triagem de pacientes para cirurgia de substituição do quadril.

"Descobrimos que o tamanho e a riqueza do conjunto de dados nos registros da previdência social o tornam ideal para um aplicativo de aprendizado de máquina, permitindo que os algoritmos alcancem alto desempenho detectando padrões sutis nos dados e identificando novos preditores poderosos.

"Contudo, não acreditamos que os algoritmos devam substituir a experiência humana, mas sim agir como seu complemento. Os responsáveis ​​pelo caso podem concentrar sua atenção e tempo fornecendo um serviço personalizado e direcionando o suporte apropriado para os indivíduos que o algoritmo identifica como de maior risco. "

"Usando Aprendizado de Máquina para Criar um Sistema de Alerta Precoce para Destinatários de Bem-Estar, "pelo Dr. Dario Sansone e Dra. Anna Zhu, é publicado como um documento de trabalho na série de artigos de discussão do IZA Institute of Labor Economics.