Los gobiernos y los grupos humanitarios pueden usar algoritmos de aprendizaje automático y datos de teléfonos móviles para llevar ayuda a quienes más la necesitan durante una crisis humanitaria, según descubrimos en una nueva investigación.

La idea simple detrás de este enfoque, como explicamos en la revista Nature el 16 de marzo de 2022 es que las personas ricas usan los teléfonos de manera diferente a las personas pobres. Sus llamadas telefónicas y mensajes de texto siguen diferentes patrones y usan diferentes planes de datos, por ejemplo. Los algoritmos de aprendizaje automático, que son herramientas sofisticadas para el reconocimiento de patrones, se pueden entrenar para reconocer esas diferencias e inferir si un suscriptor móvil determinado es rico o pobre.

A medida que la pandemia de COVID-19 se extendió a principios de 2020, nuestro equipo de investigación ayudó al Ministerio de Economía Digital de Togo y a GiveDirectly, una organización sin fines de lucro que envía dinero en efectivo a personas que viven en la pobreza, a convertir esta información en un nuevo tipo de programa de ayuda.

Primero, recopilamos datos recientes, confiables y representativos. Trabajando sobre el terreno con socios en Togo, realizamos 15 000 encuestas telefónicas para recopilar información sobre las condiciones de vida de cada hogar. Después de hacer coincidir las respuestas de la encuesta con los datos de las compañías de telefonía móvil, entrenamos los algoritmos de aprendizaje automático para reconocer los patrones de uso del teléfono que eran característicos de las personas que viven con menos de $1,25 por día.

El siguiente desafío fue averiguar si un sistema basado en aprendizaje automático y datos telefónicos sería efectivo para hacer llegar dinero a las personas más pobres del país. Nuestra evaluación indicó que este nuevo enfoque funcionó mejor que otras opciones que estaba considerando el gobierno de Togo.

Por ejemplo, centrarse por completo en los cantones más pobres, que son análogos a los condados de EE. UU., habría brindado beneficios a solo el 33 % de las personas que viven con menos de US$1,25 al día. Por el contrario, el enfoque de aprendizaje automático se dirigió al 47 % de esa población.

Luego nos asociamos con el gobierno de Togo, GiveDirectly y líderes comunitarios para diseñar y poner a prueba un programa de transferencia de efectivo basado en esta tecnología. En noviembre de 2020 se inscribieron y pagaron los primeros beneficiarios. Hasta la fecha, el programa ha proporcionado casi $10 millones a aproximadamente 137.000 de los ciudadanos más pobres del país.

Nuestro trabajo muestra que los datos recopilados por las empresas de telefonía móvil, cuando se analizan con tecnología de aprendizaje automático, pueden ayudar a dirigir la ayuda a quienes más la necesitan.

Incluso antes de la pandemia, más de la mitad de los 8,6 millones de habitantes de la nación de África occidental vivían por debajo del umbral internacional de pobreza. A medida que el COVID-19 desaceleró aún más la actividad económica, nuestras encuestas indicaron que el 54 % de todos los togoleses se vieron obligados a saltarse comidas cada semana.

La situación en Togo no era única. La recesión resultante de la pandemia de COVID-19 empujó a millones de personas a la pobreza extrema. En respuesta, los gobiernos y las organizaciones benéficas lanzaron varios miles de nuevos programas de ayuda, brindando beneficios a más de 1500 millones de personas y familias en todo el mundo.

Pero en medio de una crisis humanitaria, los gobiernos se esfuerzan por determinar quién necesita ayuda con mayor urgencia. En circunstancias ideales, esas decisiones se basarían en encuestas integrales de hogares. Pero no había forma de recopilar esta información en medio de una pandemia.

Nuestro trabajo ayuda a demostrar cómo las nuevas fuentes de big data, como la información recopilada de los satélites y las redes de telefonía móvil, pueden hacer posible orientar la ayuda en condiciones de crisis cuando las fuentes de datos más tradicionales no están disponibles.

Estamos realizando una investigación de seguimiento para evaluar cómo las transferencias de efectivo afectaron a los destinatarios. Los hallazgos anteriores indican que las transferencias de efectivo pueden ayudar a aumentar la seguridad alimentaria y mejorar el bienestar psicológico en tiempos normales. Estamos evaluando si esa ayuda tiene resultados similares durante una crisis.

También es esencial encontrar formas de inscribir y pagar a las personas sin teléfonos. En Togo, aproximadamente el 85 % de los hogares tenían al menos un teléfono, y los teléfonos se comparten con frecuencia dentro de las familias y las comunidades. Sin embargo, no está claro cuántas personas que necesitaban asistencia humanitaria en Togo no la recibieron debido a la falta de acceso a un dispositivo móvil.

En el futuro, los sistemas que combinan nuevos métodos que aprovechan el aprendizaje automático y los macrodatos con enfoques tradicionales basados ​​en encuestas mejorarán la orientación de la ayuda humanitaria.