Cientistas propõem abordagem de aprendizado de máquina para resolver o problema mundial de insegurança alimentar

O aprendizado de máquina pode orientar os esforços de segurança alimentar quando os dados primários não estão disponíveis. As previsões que diferem do valor observado em no máximo ± 5 pontos de prevalência são classificadas como corretas. Prevalências previstas>40% (<40%) quando a prevalência observada é <40% (>40%) são classificadas como alta superestimação (subestimativa). As demais regiões são classificadas como baixa sub e superestimação. A linha preta sólida indica onde os pontos cairiam se todos os valores previstos coincidissem perfeitamente com os observados, e as linhas diagonais tracejadas cinza indicam uma distância de ± 5 pontos de prevalência a partir dele. As linhas horizontais e verticais tracejadas em cinza indicam os limites de prevalência de 40%. Crédito:Nature Food (2022). DOI:10.1038/s43016-022-00587-8

Pesquisadores de um artigo recente publicado pela Nature Food sugerem um método que, segundo eles, permitirá que os tomadores de decisão tomem decisões mais oportunas e informadas sobre políticas e programas voltados para o combate à fome.
Em 2021, 193 milhões de pessoas em 53 países estavam com insegurança alimentar aguda. Esse número vem aumentando constantemente nos últimos anos, também como consequência da pandemia do COVID-19. Para abordar esta questão global, é fundamental monitorar a situação e sua evolução.

Governos e organizações humanitárias realizam avaliações de segurança alimentar regularmente por meio de pesquisas presenciais e remotas por telefone celular. No entanto, essas abordagens têm altos custos em recursos monetários e humanos e, portanto, os dados primários sobre a situação da segurança alimentar nem sempre estão disponíveis para todas as áreas afetadas. No entanto, essas informações são fundamentais para governos e organizações humanitárias.

Para resolver esse problema, pesquisadores do Nature Food artigo propõem uma abordagem de aprendizado de máquina para prever o número de pessoas com consumo alimentar insuficiente quando medidas diretas atualizadas não estão disponíveis. “Também propomos um método para identificar quais variáveis estão impulsionando as mudanças observadas nas tendências previstas, o que é fundamental para tornar as previsões úteis aos tomadores de decisão”, diz a professora assistente Elisa Omodei (Departamento de Rede e Ciência de Dados, CEU, Viena).

O método proposto usa um algoritmo de aprendizado de máquina para estimar a situação atual de insegurança alimentar em uma determinada área a partir de dados sobre os principais fatores de insegurança alimentar:conflitos, extremos climáticos e choques econômicos. Os resultados mostram que a metodologia proposta pode explicar até 81% da variação do consumo alimentar insuficiente.

Pesquisadores afirmam que sua abordagem abre as portas para a segurança alimentar em tempo quase real em escala global, permitindo que os tomadores de decisão tomem decisões mais oportunas e informadas sobre políticas e programas voltados para o combate à fome, no esforço de tentar alcançar os ODS 2 da Agenda 2030 para o Desenvolvimento Sustentável. + Explorar mais