211service.com
Mobiltelefondata avslöjar läskunnighet i utvecklingsländer
Ett av FN:s millennieutvecklingsmål är att utrota extrem fattigdom till 2030. Det är en komplex uppgift, eftersom fattigdom har många bidragande faktorer. Men en av de mer betydande är de 750 miljoner människor runt om i världen som inte kan läsa och skriva, varav två tredjedelar är kvinnor.
Det finns många organisationer som kan hjälpa till, förutsatt att de vet var de ska placera sina resurser. Så att identifiera områden där läskunnigheten är låg är en viktig utmaning.
Den vanliga metoden är att genomföra hushållsundersökningar. Men detta är tidskrävande och dyrt arbete, och svårt att upprepa regelbundet. Och i alla fall är data från utvecklingsländerna ofta inaktuella innan de kan användas effektivt. Så ett snabbare och billigare sätt att kartlägga läs- och skrivkunnighet skulle vara oerhört välkommet.
Idag säger Pål Sundsøy på Telenor Group Research i Fornebu, Norge, att han har utarbetat hur man kan fastställa läskunnighetsnivåer med hjälp av mobiltelefonsamtalsuppgifter.
Hans metod är enkel sifferknäppning. Han börjar med en vanlig hushållsundersökning av 76 000 mobiltelefonanvändare som bor i ett oidentifierat utvecklingsland i Asien. Undersökningen genomfördes för en mobiltelefonoperatör av en professionell byrå och loggar varje persons mobilnummer och om de kan läsa eller inte.
Sundsøy matchar sedan denna datamängd med samtalsdataposter från mobiltelefonbolaget. Detta tillhandahåller data som numren varje person har ringt eller sms:t, längden på dessa samtal, köp av sändningstid, mobiltornsplatser och så vidare.
Utifrån denna data kan Sundsøy räkna ut var alla individer befann sig när de ringde eller sms:a, vem de ringde eller sms:ade, antalet mottagna sms, vid vilken tid på dygnet och så vidare. Detta gör att han kan bygga ett socialt nätverk för varje användare, räkna ut vem de ringde, hur ofta och så vidare.
Slutligen använde han 75 procent av datan för att söka efter mönster förknippade med användare som är analfabeter, med hjälp av en mängd olika tekniker för sifferknäppning och maskininlärning. Han använde resterande 25 procent för att testa om det är möjligt att använda dessa mönster för att identifiera analfabeter och områden där det finns en högre andel analfabeter.
Resultaten ger intressant läsning. Sundsøy säger att hans maskininlärningsalgoritm har hittat flera faktorer som verkar förutsäga analfabetism. Den mest kraftfulla är den plats där människor tillbringar större delen av sin tid. En förklaring kan vara att modellen fångar upp regioner med låg ekonomisk utvecklingsstatus, t.ex. slumområden där analfabetismen är hög, säger Sundsøy.
En annan prediktor för analfabetism är antalet inkommande texter och hur de skiljer sig från antalet utgående texter. Det kan bero på att folk inte skickar sms till andra som de vet är analfabeter, påpekar Sundsøy.
Och det sociala nätverket verkar också vara en användbar indikator. Analfabeter tenderar att koncentrera sin kommunikation på få människor, säger Sundsøy. Det är i linje med annat arbete som tyder på att ekonomiskt välbefinnande korrelerar med mångfald bland sociala kontakter.
Allt som allt, säger han, kan hans maskininlärningsalgoritm upptäcka analfabeter med överraskande noggrannhet. Genom att härleda ekonomiska, sociala och mobilitetsfunktioner för varje mobilanvändare förutspår vi individuell analfabetismstatus med 70 procents noggrannhet, säger han och påpekar att detta gör att områden med låg läskunnighet kan kartläggas.
Det kan vara ett användbart knep för biståndsorganisationer som vill fördela resurser till områden med låg läskunnighet. Men de kommer att vilja ha bättre bevis för att det fungerar på andra datamängder och på andra ställen.
Om det gör det är potentialen att förbättra liv enorm. Låga nivåer av läskunnighet leder till en ond cirkel av fattigdom. Människor som är funktionellt analfabeter kan inte fylla i jobbansökningar, läsa medicinetiketter, skriva checkar eller balansera sina konton.
Detta gör dem mer benägna att bli arbetslösa, att ha dålig hälsa och att vara beroende av socialbidrag eller välgörenhet. De kan inte heller hjälpa sina barn att lära sig läsa och skriva.
Att avsluta denna cykel är ett viktigt mål.
Allt detta är en del av en större trend när det gäller att använda mobiltelefonregister för att studera populationer. Till exempel har demografer använt tekniken för att kartlägga välståndsfördelningen i Elfenbenskusten på Afrikas västkust och säga att metoden en dag skulle kunna ta platsen för folkräkningar.
Om den här typen av studier kan kalibreras ordentligt, kommer de att vara ett tillägg till demografernas arsenal. En realtidsbild av en regions socioekonomiska status gör det möjligt för dem att allokera resurser efter behov när problem uppstår. Det skulle vara ett kraftfullt verktyg.
Ref: arxiv.org/abs/1607.01337 : Kan mobilanvändning förutsäga analfabetism i ett utvecklingsland?