evidoria

← Voltar à navegação

Boa prática Importada

MobileAid: Focalização da Pobreza por Aprendizagem Automática a partir de Metadados de Telemóveis

Bangladesh · Cox's Bazar · Ver o perfil de Bangladesh

Evidência: Quase-experimental Top 25% 73/100 · Pergunte a Evidence Copilot sobre esta prática

O programa a2i do Bangladesh, com a GiveDirectly, o PNUD e a UC Berkeley, testou a focalização da pobreza por aprendizagem automática a partir de registos de chamadas em 106.200 agregados familiares em Cox's Bazar, mas uma avaliação do Banco Mundial concluiu que os metadados de telemóveis (AUC 0,61-0,72) foram menos precisos do que o teste tradicional por proxy-means (AUC 0,78-0,85).

106,200
Agregados familiares no recenseamento-piloto (Nov 2023 - Mar 2024)
0.78-0.85 AUC
Precisão do teste de meios substitutos (AUC)
0.61-0.72 AUC
Precisão da focalização por IA com metadados de telemóveis (AUC)
0.58 AUC
Precisão da focalização de base comunitária (AUC)
6%
Agregados familiares sem correspondência a registo telefónico
45%
Beneficiários que consideraram o método baseado em telemóveis justo
BDT 15,000 (~$136)
Transferência monetária por agregado familiar
MobileAid: Focalização da Pobreza por Aprendizagem Automática a partir de Metadados de Telemóveis

Detalhes

Maturidade
Piloto
Promotor
a2i (Aspire to Innovate, ICT Division, Government of Bangladesh), with UNDP, GiveDirectly and UC Berkeley
Período
November 2023 - March 2024 (pilot)
Palavras-chave
social protection, poverty targeting, machine learning, cash transfers, decision support

Contexto

O programa a2i (Aspire to Innovate) do Bangladesh, parte da Divisão de TIC do governo, trabalhou com o PNUD, a GiveDirectly e investigadores da Universidade da Califórnia em Berkeley para testar se a aprendizagem automática aplicada a metadados de telemóveis poderia identificar agregados familiares pobres para um programa de transferências monetárias, de forma mais barata do que os inquéritos tradicionais porta a porta.

Atividades

Registos de detalhes de chamadas anonimizados dos quatro operadores móveis nacionais — mais de 1.500 variáveis por agregado familiar, cobrindo frequência de chamadas, utilização de SMS, padrões de recarga, diversidade de contactos e localização por antena — foram utilizados para classificar agregados familiares recrutados através da linha nacional de apoio 333, assistida por IA, num recenseamento de 106.200 agregados familiares em 200 aldeias do distrito de Cox's Bazar. Os agregados selecionados receberam cada um uma transferência única de 15.000 BDT (cerca de 136 dólares).

Resultados

Uma avaliação independente do Banco Mundial, noticiada pelo The Daily Star, comparou a precisão de três métodos de focalização: o teste tradicional de meios substitutos (proxy-means testing) alcançou precisão «Alta» (AUC 0,78-0,85), a focalização por aprendizagem automática com metadados de telemóveis obteve «Média» (AUC 0,61-0,72), e a focalização de base comunitária obteve «Baixa» (0,58). Seis por cento dos agregados familiares não puderam ser associados a nenhum registo telefónico, e apenas 45% dos beneficiários consideraram o método baseado em telemóveis como justo.

Conclusões

Em termos de precisão bruta, o método de IA teve um desempenho inferior ao método que pretendia modernizar. A própria análise da GiveDirectly defende que continua a ser a opção mais rentável quando os orçamentos de seleção por agregado familiar ficam abaixo de cerca de 10-50 dólares, devido à sua rapidez e baixo custo marginal em grande escala. Tanto a avaliação do Banco Mundial como os próprios materiais da GiveDirectly assinalam o mesmo risco estrutural: os mais pobres, as mulheres e as pessoas com deficiência são os que menos provavelmente possuem telemóvel, pelo que a focalização baseada em metadados corre o risco de excluir sistematicamente precisamente os agregados familiares que um programa de proteção social mais precisa de alcançar.

Implementação
Custo indicativo
Médio (50 mil–500 mil €) — 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.
Tempo até resultados
Curto (< 1 ano) — Pilot ran November 2023 to March 2024 across 200 villages in Cox's Bazar district.
Equipa e competências
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)

Condições de sucesso

  • 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

Modos de falha comuns

  • 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

Habitualmente financiado por

Philanthropic / foundation funding

Vias de financiamento indicativas para práticas deste tipo — verifique sempre os avisos abertos e as regras de elegibilidade de cada programa.

Kit de replicação

Artefactos reutilizáveis desta prática — tal como publicados pelas suas fontes.

Implementa esta prática? Reivindique-a — implementadores verificados obtêm um contacto público na página e podem propor correções.

Fontes de dados

De onde foi obtida a informação desta prática, e quando.

Anexos

Práticas semelhantes que podem ser úteis