211service.com
Mobiele telefoongegevens onthullen alfabetiseringsgraden in ontwikkelingslanden
Een van de millenniumdoelstellingen voor ontwikkeling van de Verenigde Naties is het uitbannen van extreme armoede in 2030. Dat is een complexe taak, aangezien armoede veel factoren heeft die bijdragen. Maar een van de belangrijkste zijn de 750 miljoen mensen over de hele wereld die niet kunnen lezen en schrijven, waarvan tweederde vrouwen.
Er zijn tal van organisaties die kunnen helpen, op voorwaarde dat ze weten waar ze hun middelen moeten plaatsen. Het identificeren van gebieden waar de alfabetiseringsgraad laag is, is dus een belangrijke uitdaging.
De gebruikelijke methode is het uitvoeren van enquêtes onder huishoudens. Maar dit is tijdrovend en kostbaar werk en moeilijk regelmatig te herhalen. En hoe dan ook, gegevens uit de derde wereld zijn vaak verouderd voordat ze effectief kunnen worden gebruikt. Dus een snellere, goedkopere manier om de alfabetiseringsgraad in kaart te brengen zou enorm welkom zijn.
Vandaag zegt Pål Sundsøy van Telenor Group Research in Fornebu, Noorwegen, dat hij heeft uitgezocht hoe de alfabetiseringsgraad kan worden bepaald aan de hand van telefoongesprekken.
Zijn methode is rechttoe rechtaan cijfers kraken. Hij begint met een standaard huishoudenonderzoek onder 76.000 gebruikers van mobiele telefoons die in een niet-geïdentificeerd ontwikkelingsland in Azië wonen. Het onderzoek werd uitgevoerd voor een gsm-operator door een professionele instantie en registreert het gsm-nummer van elke persoon en of ze al dan niet kunnen lezen.
Sundsøy vergelijkt deze dataset vervolgens met oproepgegevens van het mobiele telefoonbedrijf. Dit levert gegevens op zoals de nummers die elke persoon heeft gebeld of ge-sms't, de duur van deze gesprekken, zendtijdaankopen, locaties van zendmasten, enzovoort.
Op basis van deze gegevens kan Sundsøy bepalen waar alle personen waren toen ze belden of sms'en, met wie ze belden of sms'en, het aantal ontvangen sms'jes, op welk tijdstip van de dag, enzovoort. Dit stelt hem in staat om voor elke gebruiker een sociaal netwerk op te bouwen, uit te zoeken wie ze hebben gebeld, hoe vaak, enzovoort.
Ten slotte gebruikte hij 75 procent van de gegevens om patronen te zoeken die verband houden met gebruikers die analfabeet zijn, met behulp van een verscheidenheid aan rekentechnieken en machine learning-technieken. De overige 25 procent gebruikte hij om te testen of het mogelijk is om met deze patronen analfabeten en gebieden met een hoger percentage analfabeten te identificeren.
De resultaten zorgen voor interessante lectuur. Sundsøy zegt dat zijn machine learning-algoritme verschillende factoren heeft gevonden die analfabetisme lijken te voorspellen. De meest krachtige is de locatie waar mensen het grootste deel van hun tijd doorbrengen. Een verklaring kan zijn dat het model regio's met een lage economische ontwikkelingsstatus, b.v. sloppenwijken waar het analfabetisme hoog is, zegt Sundsøy.
Een andere voorspeller van analfabetisme is het aantal inkomende teksten en hoe deze verschillen van het aantal uitgaande teksten. Dat kan zijn omdat mensen geen sms'jes sturen naar anderen waarvan ze weten dat ze analfabeet zijn, benadrukt Sundsøy.
En ook het sociale netwerk lijkt een bruikbare indicator. Analfabeten concentreren hun communicatie vaak op weinig mensen, zegt Sundsøy. Dat komt overeen met ander werk dat suggereert dat economisch welzijn correleert met diversiteit in sociale contacten.
Al met al, zegt hij, kan zijn algoritme voor machine learning ongeletterde individuen met verrassende nauwkeurigheid opsporen. Door economische, sociale en mobiliteitskenmerken voor elke mobiele gebruiker af te leiden, voorspellen we de individuele analfabetismestatus met een nauwkeurigheid van 70 procent, zegt hij, erop wijzend dat dit het mogelijk maakt om gebieden met een lage alfabetiseringsgraad in kaart te brengen.
Dat zou een handige truc kunnen zijn voor hulporganisaties die middelen willen toewijzen aan gebieden met een lage alfabetiseringsgraad. Ze zullen echter beter bewijs willen dat het werkt op andere datasets en op andere plaatsen.
Als dat zo is, is het potentieel om levens te verbeteren enorm. Laaggeletterdheid leidt tot een vicieuze cirkel van armoede. Mensen die functioneel analfabeet zijn, zijn niet in staat om sollicitaties in te vullen, etiketten van medicijnen te lezen, cheques uit te schrijven of hun rekeningen te balanceren.
Hierdoor is de kans groter dat ze werkloos zijn, een slechte gezondheid hebben en afhankelijk zijn van een uitkering of liefdadigheid. Ook kunnen ze hun kinderen niet helpen bij het leren lezen en schrijven.
Het beëindigen van deze cyclus is een belangrijk doel.
Dit alles maakt deel uit van een grotere trend in het gebruik van gegevens van mobiele telefoons om populaties te bestuderen. Demografen hebben de techniek bijvoorbeeld gebruikt om kaart welvaartsverdeling in Ivoorkust aan de westkust van Afrika en zeggen dat de methode ooit de plaats van volkstellingen zou kunnen innemen.
Als dit soort onderzoeken goed kunnen worden gekalibreerd, zullen ze een aanvulling zijn op het arsenaal van de demografen. Een realtime beeld van de sociaaleconomische status van een regio stelt hen in staat om middelen toe te wijzen wanneer ze nodig zijn wanneer zich problemen voordoen. Dat zou een krachtig instrument zijn.
Referentie: arxiv.org/abs/1607.01337 : Kan mobiel gebruik analfabetisme in een ontwikkelingsland voorspellen?