L'apprendimento automatico può guidare gli sforzi per la sicurezza alimentare quando i dati primari non sono disponibili. Le previsioni che differiscono dal valore osservato per un massimo di ± 5 punti di prevalenza sono classificate come corrette. La prevalenza prevista>40% (<40%) quando la prevalenza osservata è <40% (>40%) è classificata come sovrastima elevata (sottostima). Le altre regioni sono classificate come sottostimate e sovrastimate. La linea nera continua indica dove cadrebbero i punti se tutti i valori previsti corrispondessero perfettamente a quelli osservati e le linee diagonali tratteggiate grigie indicano una distanza di ± 5 punti di prevalenza da esso. Le linee orizzontali e verticali tratteggiate grigie indicano le soglie di prevalenza del 40%. Credito:Cibo naturale (2022). DOI:10.1038/s43016-022-00587-8
Ricercatori di un recente articolo pubblicato da Nature Food suggeriscono un metodo che, secondo loro, consentirà ai decisori di prendere decisioni più tempestive e informate su politiche e programmi orientati alla lotta contro la fame.
Nel 2021, 193 milioni di persone in 53 paesi erano gravemente insicure dal punto di vista alimentare. Questo numero è in costante aumento negli ultimi anni anche in conseguenza della pandemia di COVID-19. Per affrontare questo problema globale, è fondamentale monitorare la situazione e la sua evoluzione.
I governi e le organizzazioni umanitarie effettuano regolarmente valutazioni della sicurezza alimentare attraverso sondaggi faccia a faccia ea distanza sui telefoni cellulari. Tuttavia, questi approcci hanno costi elevati sia in termini di risorse umane che monetarie, e quindi i dati primari sulla situazione della sicurezza alimentare non sono sempre disponibili per tutte le aree interessate. Eppure queste informazioni sono fondamentali per i governi e le organizzazioni umanitarie.
Ad affrontare questo problema, i ricercatori del Nature Food paper propone un approccio di apprendimento automatico per prevedere il numero di persone con un consumo di cibo insufficiente quando non sono disponibili misurazioni dirette aggiornate. "Proponiamo anche un metodo per identificare quali variabili stanno guidando i cambiamenti osservati nelle tendenze previste, che è la chiave per rendere le previsioni utili ai decisori", afferma la professoressa Elisa Omodei (Dipartimento di scienza delle reti e dei dati, CEU, Vienna).
Il metodo proposto utilizza un algoritmo di apprendimento automatico per stimare l'attuale situazione di insicurezza alimentare in una determinata area dai dati sui fattori chiave dell'insicurezza alimentare:conflitti, condizioni meteorologiche estreme e shock economici. I risultati mostrano che la metodologia proposta può spiegare fino all'81% della variazione nel consumo di cibo insufficiente.
I ricercatori affermano che il loro approccio apre le porte alla sicurezza alimentare quasi in tempo reale trasmettendo ora su scala globale, consentendo ai decisori di prendere decisioni più tempestive e informate su politiche e programmi orientati alla lotta contro la fame, nel tentativo di cercare di raggiungere l'SDG 2 dell'Agenda 2030 per lo Sviluppo Sostenibile. + Esplora ulteriormente
