Los datos de los teléfonos móviles revelan las tasas de alfabetización en los países en desarrollo

Uno de los objetivos de desarrollo del milenio de las Naciones Unidas es erradicar la pobreza extrema para 2030. Esa es una tarea compleja, ya que la pobreza tiene muchos factores que contribuyen. Pero uno de los más significativos son los 750 millones de personas en todo el mundo que no saben leer ni escribir, dos tercios de los cuales son mujeres.

Hay muchas organizaciones que pueden ayudar, siempre que sepan dónde colocar sus recursos. Por lo tanto, identificar áreas donde las tasas de alfabetización son bajas es un desafío importante.

El método habitual es realizar encuestas de hogares. Pero este es un trabajo costoso y que requiere mucho tiempo, y es difícil de repetir de manera regular. Y en cualquier caso, los datos del mundo en desarrollo a menudo están desactualizados antes de que puedan usarse de manera efectiva. Por lo tanto, una forma más rápida y económica de mapear las tasas de alfabetización sería muy bienvenida.

Hoy, Pål Sundsøy de Telenor Group Research en Fornebu, Noruega, dice que descubrió cómo determinar las tasas de alfabetización utilizando registros de llamadas de teléfonos móviles.

Su método es simple cálculo de números. Comienza con una encuesta estándar de hogares de 76.000 usuarios de teléfonos móviles que viven en un país en desarrollo no identificado de Asia. La encuesta fue realizada para un operador de telefonía móvil por una agencia profesional y registra el número de teléfono móvil de cada persona y si puede o no leer.

Luego, Sundsøy compara este conjunto de datos con los registros de datos de llamadas de la compañía de telefonía móvil. Esto proporciona datos como los números a los que cada persona ha llamado o enviado mensajes de texto, la duración de estas llamadas, las compras de tiempo aire, las ubicaciones de las torres celulares, etc.

A partir de estos datos, Sundsøy puede averiguar dónde estaban todas las personas cuando hicieron sus llamadas o mensajes de texto, a quién llamaron o enviaron mensajes de texto, la cantidad de mensajes de texto recibidos, a qué hora del día, etc. Esto le permite construir una red social para cada usuario, averiguando a quién llaman, con qué frecuencia, etc.

Finalmente, usó el 75 por ciento de los datos para buscar patrones asociados con usuarios analfabetos, utilizando una variedad de técnicas de aprendizaje automático y procesamiento de números. Usó el 25 por ciento restante para probar si es posible usar estos patrones para identificar a las personas analfabetas y las áreas donde hay una mayor proporción de personas analfabetas.

Los resultados hacen una lectura interesante. Sundsøy dice que su algoritmo de aprendizaje automático ha encontrado varios factores que parecen predecir el analfabetismo. El más poderoso es el lugar donde la gente pasa la mayor parte de su tiempo. Una explicación puede ser que el modelo capta regiones de bajo nivel de desarrollo económico, p. barrios marginales donde el analfabetismo es alto, dice Sundsøy.

Otro predictor de analfabetismo es la cantidad de textos entrantes y cómo difieren de la cantidad de textos salientes. Eso podría deberse a que las personas no envían mensajes de texto a otras personas que saben que son analfabetas, señala Sundsøy.

Y la red social también parece ser un indicador útil. Los analfabetos tienden a concentrar su comunicación en pocas personas, dice Sundsøy. Eso está en línea con otro trabajo que sugiere que el bienestar económico se correlaciona con la diversidad entre los contactos sociales.

En general, dice, su algoritmo de aprendizaje automático puede detectar a personas analfabetas con una precisión sorprendente. Al derivar características económicas, sociales y de movilidad para cada usuario móvil, predecimos el estado de analfabetismo individual con un 70 por ciento de precisión, dice, señalando que esto permite mapear áreas con bajas tasas de alfabetización.

Ese podría ser un truco útil para las agencias de ayuda que desean asignar recursos a áreas con bajas tasas de alfabetización. Sin embargo, querrán mejores pruebas de que funciona en otros conjuntos de datos y en otros lugares.

Si lo hace, el potencial para mejorar vidas es enorme. Los bajos niveles de alfabetización conducen a un círculo vicioso de pobreza. Las personas que son analfabetas funcionales no pueden completar solicitudes de empleo, leer las etiquetas de los medicamentos, escribir cheques o equilibrar sus cuentas.

Esto los hace más propensos a estar desempleados, tener mala salud y depender de la asistencia social o la caridad. Tampoco son capaces de ayudar a sus hijos a aprender a leer y escribir.

Terminar este ciclo es un objetivo importante.

Todo esto es parte de una tendencia mayor en el uso de registros de teléfonos móviles para estudiar poblaciones. Por ejemplo, los demógrafos han utilizado la técnica para mapear la distribución de la riqueza en Côte d'Ivoire en la costa oeste de África y dicen que el método algún día podría reemplazar a los censos.

Si este tipo de estudios se pueden calibrar adecuadamente, serán una adición al arsenal de los demógrafos. Una imagen en tiempo real del estado socioeconómico de una región les permitirá asignar recursos según se necesiten cuando surjan problemas. Esa sería una herramienta poderosa.

Ref: arxiv.org/abs/1607.01337 : ¿Puede el uso de dispositivos móviles predecir el analfabetismo en un país en desarrollo?

esconder