公平的人工智能:利用地理空间数据探索性别在贫困估计模型中的作用

科学领域:

• 社会经济数据分析数据分析
• 地理空间统计数据
• 机器学习应用程序 机器学习应用程序

背景情况:

• 家庭调查对于衡量贫困至关重要,但存在空间和时间的局限性.
• 使用地理空间数据的机器学习 (ML) 方法可以弥合贫困映射的这些差距.
• 在ML贫困预测模型中,性别特异性绩效差异仍未得到充分研究.

研究的目的:

• 调查贫困预测ML模型表现的性别相关差异.
• 用地理空间数据评估ML模型的准确性,用于加纳的男性和女性主管家庭.
• 在贫困映射模型中识别导致绩效差异的因素.

主要方法:

• 使用随机森林ML模型与可访问的地理空间数据.
• 使用加纳人口与健康调查资产持有数据进行培训和验证的模型.
• 通过汇总女性和男性主管家庭的资产持有量来区分模型的表现.

主要成果:

• 在男性主管家庭数据上训练的ML模型实现了高精度 (R2 = 0.85).
• 在女性主管家庭数据上训练的模型显示较低但合理的准确性 (R2 = 0.75).
• 准确性差距部分归因于调查数据中女性主管家庭的样本规模较小.

结论:

• 机器学习模型有效地扩展了用于贫困分析的调查数据的空间和时间范围.
• 在ML贫困预测中的绩效差异受到调查抽样设计的影响,特别是女性主管家庭.
• 未来的调查设计应该以更大的女性主管家庭样本为目标,以提高ML模型的准确性.