L'intelligenza artificiale è un quinto più accurata nel prevedere se è probabile che gli individui diventino beneficiari di benefici a lungo termine.

Un nuovo metodo per prevedere la dipendenza dal welfare, sviluppato dal Dr. Dario Sansone della University of Exeter Business School e dalla Dr. Anna Zhu della RMIT University, potrebbe far risparmiare ai governi miliardi di costi sociali e aiutarli a realizzare interventi tempestivi per prevenire lo svantaggio economico a lungo termine e l'esclusione sociale.

Il loro studio ha scoperto che gli algoritmi di apprendimento automatico, che migliorano attraverso diverse iterazioni e l'uso di big data, sono il 22% più accurati nel prevedere la percentuale di tempo in cui gli individui beneficiano di un sostegno al reddito rispetto ai sistemi di allarme rapido standard.

I ricercatori sono stati in grado di applicare gli algoritmi standard all'intera popolazione di persone iscritte al sistema di sicurezza sociale australiano tra il 2014 e il 2018.

Ciò includeva i dati demografici e socioeconomici di chiunque avesse ricevuto un sussidio sociale dal sistema di previdenza sociale australiano Centrelink, sia per motivi di disoccupazione, disabilità, avere figli, o essere una badante, studente o in età pensionabile.

L'algoritmo ha utilizzato un campione dell'1% dei circa cinque milioni di persone registrate nel sistema di età compresa tra 15 e 66 anni nel 2014 e ha seguito quel campione per i successivi tre anni, monitorare se quegli individui stavano ancora ricevendo pagamenti di sostegno al reddito.

Ha quindi confrontato i risultati con gli attuali metodi di previsione della dipendenza dal benessere basati su indicatori di profilazione come sesso, età e istruzione, storia del sostegno al reddito, stato migratorio, stato civile, e stato di residenza.

Hanno scoperto che gli algoritmi di apprendimento automatico erano il 22% più efficaci nel prevedere il futuro sostegno al reddito rispetto ai metodi di benchmark di profilazione con le migliori prestazioni.

Secondo i calcoli degli autori, quegli individui che si prevedeva fossero richiedenti di assistenza a lungo termine utilizzando algoritmi di apprendimento automatico costano allo Stato australiano un ulteriore miliardo di dollari australiani in pagamenti assistenziali, l'equivalente di circa il 10% dell'importo che spende annualmente per l'indennità di disoccupazione.

Questa maggiore precisione è attribuita al modo in cui gli algoritmi di apprendimento automatico possono gestire una gamma molto più ampia di fattori predittivi (circa 1, 800 in totale), che riflette i complessi processi alla base della dipendenza dal welfare.

I ricercatori affermano che il loro approccio mira a integrare i programmi di intervento precoce esistenti mirati a ricevere assistenza a lungo termine.

Per implementare questi programmi, i governi hanno bisogno di sapere quali individui sono più a rischio, un ruolo che, secondo gli autori, può essere abilmente svolto dagli algoritmi di apprendimento automatico.

I ricercatori aggiungono che queste previsioni migliorate possono ridurre i pregiudizi consci e inconsci comuni nel processo decisionale umano.

E soprattutto, l'approccio sarebbe relativamente a basso costo da implementare poiché fa uso di dati già disponibili per gli operatori del caso.

Dott. Dario Sansone, un docente di Economia presso l'Università di Exeter Business School, ha dichiarato:"I governi utilizzano sempre più l'apprendimento automatico per affrontare i problemi sociali e prendere decisioni sull'allocazione delle risorse. Ad esempio, è stato utilizzato per aiutare i giudici a migliorare le decisioni di concessione della cauzione, scuole per identificare gli studenti a rischio di abbandono scolastico, e chirurghi per lo screening dei pazienti per la chirurgia sostitutiva dell'anca.

"Abbiamo scoperto che le dimensioni e la ricchezza del set di dati sugli iscritti alla sicurezza sociale lo rendono ideale per un'applicazione di apprendimento automatico, consentendo agli algoritmi di ottenere prestazioni elevate rilevando modelli sottili nei dati e identificando nuovi potenti predittori.

"Però, non crediamo che gli algoritmi debbano sostituire l'esperienza umana ma piuttosto fungere da suo complemento. Gli operatori del caso potrebbero concentrare la loro attenzione e il loro tempo fornendo un servizio personalizzato e mirando al supporto appropriato alle persone che l'algoritmo identifica come più a rischio".

"Utilizzare l'apprendimento automatico per creare un sistema di allerta precoce per i beneficiari del welfare, " a cura del Dott. Dario Sansone e della Dott.ssa Anna Zhu, è pubblicato come documento di lavoro nella serie di documenti di discussione IZA Institute of Labor Economics.