Contextualized poverty targeting with multimodal spatial data and machine learning in Brazzaville, Congo
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Enhancing targeting accuracy in social welfare programs fosters equitable urban development. Advancements in this field harness georeferenced data and leverage AI/machine learning (ML) techniques to predict poverty and allocate aid. However, these models are predominantly developed in areas with georeferenced national surveys and are intended for geographic targeting. We demonstrate that household-level targeting can be achieved in understudied cities lacking ground truth data. Using the case of Brazzaville in Congo, we integrate intuitive images, social media, points of interest, connectivity, and administrative data to predict multidimensional poverty at the household level. The simulations in this study demonstrate that ML-based targeting would not only reduce targeting errors but would also decrease the poverty ratio, gap, and severity. Our spatially augmented model, surpassing status quo mechanisms, can promote inclusive social welfare programs at hyper-granular levels in urban areas. Given the rapid urbanization in developing countries, this study's data collection and fine-tuning process is relevant and applicable to other data-sparse contexts. • Achieve household poverty prediction in an understudied city lacking ground truth. • Feature-engineer and integrate intuitive image, social media, POIs, and phone data. • Develop machine-learning-based targeting by comparing and fine-tuning algorithms. • Outperform existing targeting methods and the global poverty prediction model. • Show substantial poverty reduction impact through policy simulation.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 découle