Understanding Homelessness among Migrants to Thunder Bay using Machine Learning (Preprint)
Notice bibliographique
Résumé
BACKGROUND Over the past years, homelessness has become a significant issue around the globe. The largest social services organization in Thunder Bay, Ontario observed the majority of people experiencing homelessness in the city were from outside of the city or province. Thus, to improve programming and resource allocation for homelessness in the city, it was important to investigate the trends associated with homelessness and migration. OBJECTIVE This paper aims to address three research questions related to homelessness and migration in Thunder Bay: (1) What factors predict if a person experiences homelessness stays or leaves?; (2) If an individual stays, how long are they likely to stay? and (3) What factors predict their stay duration? METHODS We collected the required data from two sources; one through a survey conducted with people experiencing homelessness at three homeless shelters in Thunder Bay and the other from a database of a homeless information management system. In total, records of 151 migrants were used for the analysis. Two feature selection techniques were used in addressing the first and third research questions and to predict the stay duration of homeless migrants at shelters, eight machine learning models were used. In addition, data augmentation was performed to improve the size of the dataset and a cross-validation technique was used to avoid possible model overfitting. RESULTS Availability of family or friends and hospitalizations were identified as the most important factors predicting the stays or leaves of an individual migrant at Thunder Bay. Next, among the eight classification models developed for predicting the stay duration of migrants, the random forest and gradient boosting tree presented better results with 0.96 and 0.97 of area under the curve values. Finally, band membership, status card, age, sex, ethnicity, support for drugs and/or alcohol, home community and personal reasons were recognized as the critical factors in predicting the stay duration of migrants. CONCLUSIONS The application of machine learning to make predictions related to migrants’ homelessness and to investigate how various factors become determinants of them is demanded. We hope that the findings of this study will aid future policy-making and resource allocation to better serve people experiencing homelessness. However, interpretation of the identified factors in decision-making is further required.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».