Mobiltelefondata afslører læsefærdigheder i udviklingslande

Et af FN's årtusindudviklingsmål er at udrydde ekstrem fattigdom inden 2030. Det er en kompleks opgave, da fattigdom har mange medvirkende faktorer. Men en af ​​de mere betydningsfulde er de 750 millioner mennesker verden over, som ikke er i stand til at læse og skrive, hvoraf to tredjedele er kvinder.

Der er masser af organisationer, der kan hjælpe, forudsat at de ved, hvor de skal placere deres ressourcer. Så det er en vigtig udfordring at identificere områder, hvor læsefærdighederne er lave.

Den sædvanlige metode er at udføre husstandsundersøgelser. Men dette er tidskrævende og dyrt arbejde og svært at gentage med jævne mellemrum. Og under alle omstændigheder er data fra udviklingslandene ofte forældede, før de kan bruges effektivt. Så en hurtigere og billigere måde at kortlægge læse- og skrivefærdigheder ville være yderst velkommen.

I dag siger Pål Sundsøy hos Telenor Group Research i Fornebu, Norge, at han har fundet ud af, hvordan man kan bestemme læsefærdigheder ved hjælp af mobiltelefonopkaldsregistreringer.

Hans metode er ligetil talknusning. Han starter med en standard husstandsundersøgelse af 76.000 mobiltelefonbrugere, der bor i et uidentificeret udviklingsland i Asien. Undersøgelsen blev udført for en mobiltelefonoperatør af et professionelt bureau og logger hver persons mobiltelefonnummer, og om de kan læse eller ej.

Sundsøy matcher derefter dette datasæt med opkaldsdataposter fra mobiltelefonselskabet. Dette giver data såsom de numre, hver person har ringet til eller sendt en sms, længden af ​​disse opkald, køb af sendetid, mobiltårnets placeringer og så videre.

Ud fra disse data kan Sundsøy regne ud, hvor alle personer var, da de ringede eller sms'ede, hvem de ringede til eller sendte sms'er, antallet af sms'er, der blev modtaget, hvornår på dagen og så videre. Dette giver ham mulighed for at opbygge et socialt netværk for hver bruger, ved at finde ud af, hvem de ringede til, hvor ofte, og så videre.

Til sidst brugte han 75 procent af dataene til at søge efter mønstre, der er forbundet med brugere, der er analfabeter, ved at bruge en række forskellige talknusnings- og maskinlæringsteknikker. Han brugte de resterende 25 procent til at teste, om det er muligt at bruge disse mønstre til at identificere analfabeter og områder, hvor der er en højere andel af analfabeter.

Resultaterne giver interessant læsning. Sundsøy siger, at hans maskinlæringsalgoritme har fundet flere faktorer, der synes at forudsige analfabetisme. Det mest magtfulde er det sted, hvor folk tilbringer det meste af deres tid. En forklaring kan være, at modellen fanger regioner med lav økonomisk udviklingsstatus, f.eks. slumområder, hvor analfabetismen er høj, siger Sundsøy.

En anden forudsigelsesfaktor for analfabetisme er antallet af indgående tekster, og hvordan de adskiller sig fra antallet af udgående tekster. Det kan skyldes, at folk ikke sender sms'er til andre, som de ved er analfabeter, påpeger Sundsøy.

Og det sociale netværk ser også ud til at være en nyttig indikator. Analfabeter har en tendens til at koncentrere deres kommunikation om få mennesker, siger Sundsøy. Det er i tråd med andet arbejde, der tyder på, at økonomisk velfærd hænger sammen med mangfoldighed blandt sociale kontakter.

Alt i alt, siger han, kan hans maskinlæringsalgoritme spotte analfabeter med overraskende nøjagtighed. Ved at udlede økonomiske, sociale og mobilitetsfunktioner for hver mobilbruger forudsiger vi individuel analfabetismestatus med 70 procent nøjagtighed, siger han og påpeger, at dette gør det muligt at kortlægge områder med lav læsefærdighed.

Det kunne være et nyttigt trick for hjælpeorganisationer, der ønsker at allokere ressourcer til områder med lav læsefærdighed. De vil dog gerne have bedre bevis for, at det virker på andre datasæt og andre steder.

Hvis det gør det, er potentialet for at forbedre liv enormt. Lavt niveau af læsefærdighed fører til en ond cirkel af fattigdom. Folk, der er funktionelt analfabeter, er ikke i stand til at udfylde jobansøgninger, læse medicinetiketter, skrive checks eller balancere deres konti.

Dette gør dem mere tilbøjelige til at være arbejdsløse, at have dårligt helbred og at være afhængige af social velfærd eller velgørenhed. De er heller ikke i stand til at hjælpe deres børn med at lære at læse og skrive.

At afslutte denne cyklus er et vigtigt mål.

Alt dette er en del af en større tendens i at bruge mobiltelefonoptegnelser til at studere befolkninger. For eksempel har demografer brugt teknikken til kort formuesfordelingen i Côte d'Ivoire på Afrikas vestkyst og sige, at metoden en dag kan træde i stedet for folketællinger.

Hvis den slags undersøgelser kan kalibreres ordentligt, vil de være en tilføjelse til demografernes arsenal. Et realtidsbillede af en regions socioøkonomiske status vil give dem mulighed for at allokere ressourcer, efterhånden som de er nødvendige, når der opstår problemer. Det ville være et stærkt værktøj.

Ref: arxiv.org/abs/1607.01337 : Kan mobilbrug forudsige analfabetisme i et udviklingsland?

skjule