evidoria

← Retour à la liste

Bonne pratique Importée

MobileAid : ciblage de la pauvreté par apprentissage automatique à partir des métadonnées mobiles

Bangladesh · Cox's Bazar · Voir le profil de Bangladesh

Preuves: Quasi expérimental Top 25% 73/100 · Demandez à Evidence Copilot à propos de cette pratique

Le programme a2i du Bangladesh, avec GiveDirectly, le PNUD et l'UC Berkeley, a testé le ciblage de la pauvreté par apprentissage automatique à partir de relevés d'appels sur 106 200 ménages à Cox's Bazar, mais une évaluation de la Banque mondiale a révélé que les métadonnées mobiles (AUC 0,61-0,72) étaient moins précises que le test traditionnel par proxy-means (AUC 0,78-0,85).

106,200
Ménages du recensement pilote (Nov 2023 - Mar 2024)
0.78-0.85 AUC
Précision du test par indicateurs de substitution (AUC)
0.61-0.72 AUC
Précision du ciblage par IA sur métadonnées téléphoniques (AUC)
0.58 AUC
Précision du ciblage communautaire (AUC)
6%
Ménages non rattachés à un relevé téléphonique
45%
Bénéficiaires jugeant la méthode téléphonique équitable
BDT 15,000 (~$136)
Transfert monétaire par ménage
MobileAid : ciblage de la pauvreté par apprentissage automatique à partir des métadonnées mobiles

Détails

Maturité
Pilote
Promoteur
a2i (Aspire to Innovate, ICT Division, Government of Bangladesh), with UNDP, GiveDirectly and UC Berkeley
Période
November 2023 - March 2024 (pilot)
Mots-clés
social protection, poverty targeting, machine learning, cash transfers, decision support

Contexte

Le programme a2i (Aspire to Innovate) du Bangladesh, qui relève de la division TIC du gouvernement, a travaillé avec le PNUD, GiveDirectly et des chercheurs de l'université de Californie à Berkeley pour tester si l'apprentissage automatique appliqué aux métadonnées de téléphonie mobile pouvait identifier les ménages pauvres pour un programme de transferts monétaires, à moindre coût que les enquêtes traditionnelles en porte-à-porte.

Activités

Des relevés d'appels anonymisés provenant des quatre opérateurs mobiles nationaux — plus de 1 500 variables par ménage, couvrant la fréquence des appels, l'usage des SMS, les habitudes de recharge, la diversité des contacts et la localisation par antenne — ont servi à classer les ménages recrutés via la ligne d'assistance nationale 333, assistée par IA, dans le cadre d'un recensement de 106 200 ménages répartis dans 200 villages du district de Cox's Bazar. Les ménages sélectionnés ont chacun reçu un transfert unique de 15 000 BDT (environ 136 dollars).

Résultats

Une évaluation indépendante de la Banque mondiale, rapportée par The Daily Star, a comparé la précision de trois méthodes de ciblage : le test traditionnel par indicateurs de substitution (proxy-means testing) a atteint une précision « élevée » (AUC 0,78-0,85), le ciblage par apprentissage automatique sur métadonnées téléphoniques a obtenu une précision « moyenne » (AUC 0,61-0,72), et le ciblage communautaire une précision « faible » (0,58). Six pour cent des ménages n'ont pu être rattachés à aucun relevé téléphonique, et seuls 45 % des bénéficiaires ont perçu la méthode téléphonique comme équitable.

Conclusions

En termes de précision brute, la méthode par IA a moins bien performé que la méthode qu'elle visait à moderniser. La propre analyse de GiveDirectly soutient qu'elle reste l'option la plus rentable lorsque les budgets de sélection par ménage descendent en dessous d'environ 10 à 50 dollars, en raison de sa rapidité et de son faible coût marginal à grande échelle. L'évaluation de la Banque mondiale et les propres documents de GiveDirectly pointent tous deux le même risque structurel : les plus pauvres, les femmes et les personnes handicapées sont les moins susceptibles de posséder un téléphone, de sorte que le ciblage par métadonnées risque d'exclure systématiquement précisément les ménages qu'un programme de protection sociale doit le plus atteindre.

Mise en œuvre
Coût indicatif
Moyen (50 k€–500 k€) — GiveDirectly's own analysis frames phone-metadata targeting as most cost-effective once per-household screening budgets fall below roughly $10-50, due to its speed and low marginal cost at scale, versus door-to-door survey costs.
Délai jusqu’aux résultats
Court (< 1 an) — Pilot ran November 2023 to March 2024 across 200 villages in Cox's Bazar district.
Personnel et compétences
a2i (Aspire to Innovate, ICT Division, Government of Bangladesh), UNDP Bangladesh, GiveDirectly (implementing NGO for cash transfers), UC Berkeley researchers (technical/evaluation design), National mobile network operators (call-detail record providers), World Bank (independent evaluation)

Conditions de réussite

  • Access to anonymised call-detail records from all national mobile operators
  • An existing AI-enabled helpline (333) to recruit households
  • Independent evaluation capacity (World Bank) to benchmark targeting accuracy against existing methods

Modes d’échec courants

  • Phone-metadata targeting scored lower accuracy (AUC 0.61-0.72) than existing proxy-means testing (AUC 0.78-0.85)
  • 6% of households could not be matched to any phone record
  • Only 45% of recipients perceived the method as fair
  • Structural risk of excluding the poorest, women and people with disabilities, who are least likely to own a phone

Habituellement financé par

Philanthropic / foundation funding

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Kit de réplication

Artefacts réutilisables de cette pratique — tels que publiés par leurs sources.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles