Handydaten zeigen Alphabetisierungsraten in Entwicklungsländern

Eines der Millenniums-Entwicklungsziele der Vereinten Nationen ist die Beseitigung der extremen Armut bis 2030. Das ist eine komplexe Aufgabe, denn Armut hat viele Faktoren, die dazu beitragen. Aber einer der bedeutendsten sind die 750 Millionen Menschen auf der ganzen Welt, die nicht lesen und schreiben können, zwei Drittel davon Frauen.

Es gibt viele Organisationen, die helfen können, vorausgesetzt, sie wissen, wo sie ihre Ressourcen einsetzen können. Daher ist es eine große Herausforderung, Gebiete zu identifizieren, in denen die Alphabetisierungsrate niedrig ist.

Die übliche Methode ist die Durchführung von Haushaltsbefragungen. Dies ist jedoch eine zeitaufwändige und teure Arbeit, die sich nur schwer regelmäßig wiederholen lässt. Außerdem sind Daten aus Entwicklungsländern häufig veraltet, bevor sie effektiv genutzt werden können. Daher wäre eine schnellere und kostengünstigere Methode zur Kartierung der Alphabetisierungsraten sehr willkommen.



Heute sagt Pål Sundsøy von Telenor Group Research in Fornebu, Norwegen, dass er herausgefunden hat, wie man die Alphabetisierungsrate anhand von Anrufaufzeichnungen von Mobiltelefonen bestimmt.

Seine Methode ist einfaches Rechnen mit Zahlen. Er beginnt mit einer standardmäßigen Haushaltsbefragung von 76.000 Mobiltelefonbenutzern, die in einem nicht identifizierten Entwicklungsland in Asien leben. Die Umfrage wurde für einen Mobilfunkanbieter von einer professionellen Agentur durchgeführt und protokolliert die Mobiltelefonnummer jeder Person und ob sie lesen kann oder nicht.

Diesen Datensatz gleicht Sundsøy dann mit Gesprächsdatensätzen der Mobilfunkgesellschaft ab. Dies liefert Daten wie die Nummern, die jede Person angerufen oder getextet hat, die Länge dieser Anrufe, Einkäufe von Sendezeit, Standorte von Mobilfunkmasten und so weiter.

Aus diesen Daten kann Sundsøy ermitteln, wo sich alle Personen aufgehalten haben, als sie ihre Anrufe oder SMS getätigt haben, wen sie angerufen oder getextet haben, wie viele SMS sie erhalten haben, zu welcher Tageszeit und so weiter. Auf diese Weise kann er für jeden Benutzer ein soziales Netzwerk aufbauen und herausfinden, wen er angerufen hat, wie oft und so weiter.

Schließlich verwendete er 75 Prozent der Daten, um nach Mustern zu suchen, die mit Analphabeten in Verbindung gebracht wurden, wobei er eine Vielzahl von Zahlenverarbeitungs- und maschinellen Lerntechniken verwendete. Mit den restlichen 25 Prozent testete er, ob es möglich ist, mit diesen Mustern Analphabeten und Gebiete mit einem höheren Anteil an Analphabeten zu identifizieren.

Die Ergebnisse sorgen für eine interessante Lektüre. Sundsøy sagt, dass sein maschineller Lernalgorithmus mehrere Faktoren gefunden hat, die Analphabetismus vorherzusagen scheinen. Am stärksten ist der Ort, an dem Menschen die meiste Zeit verbringen. Eine Erklärung kann sein, dass das Modell Regionen mit niedrigem wirtschaftlichem Entwicklungsstand erfasst, z. Elendsviertel, in denen der Analphabetismus hoch ist, sagt Sundsøy.

Ein weiterer Prädiktor für Analphabetismus ist die Anzahl der eingehenden Texte und wie sie sich von der Anzahl der ausgehenden Texte unterscheiden. Das könnte daran liegen, dass Menschen keine SMS an andere senden, von denen sie wissen, dass sie Analphabeten sind, betont Sundsøy.

Und das soziale Netzwerk scheint auch ein nützlicher Indikator zu sein. Analphabeten neigen dazu, ihre Kommunikation auf wenige Menschen zu konzentrieren, sagt Sundsøy. Dies steht im Einklang mit anderen Arbeiten, die darauf hindeuten, dass wirtschaftliches Wohlergehen mit der Vielfalt sozialer Kontakte korreliert.

Alles in allem, sagt er, kann sein maschineller Lernalgorithmus Analphabeten mit überraschender Genauigkeit erkennen. Indem wir wirtschaftliche, soziale und Mobilitätsmerkmale für jeden Mobilfunknutzer ableiten, sagen wir den individuellen Analphabetenstatus mit 70-prozentiger Genauigkeit voraus, sagt er und weist darauf hin, dass dies die Kartierung von Gebieten mit niedrigen Alphabetisierungsraten ermöglicht.

Das könnte ein nützlicher Trick für Hilfsorganisationen sein, die Ressourcen für Gebiete mit niedriger Alphabetisierungsrate zuweisen möchten. Sie werden jedoch bessere Beweise dafür wollen, dass es mit anderen Datensätzen und an anderen Orten funktioniert.

Wenn dies der Fall ist, ist das Potenzial zur Verbesserung des Lebens enorm. Eine geringe Alphabetisierung führt zu einem Teufelskreis der Armut. Menschen, die funktionale Analphabeten sind, sind nicht in der Lage, Bewerbungen auszufüllen, Medikamentenetiketten zu lesen, Schecks auszustellen oder ihre Konten abzugleichen.

Dies erhöht die Wahrscheinlichkeit, dass sie arbeitslos sind, einen schlechten Gesundheitszustand haben und auf Sozialhilfe oder Wohltätigkeit angewiesen sind. Sie sind auch nicht in der Lage, ihren Kindern beim Lesen- und Schreibenlernen zu helfen.

Diesen Zyklus zu beenden ist ein wichtiges Ziel.

All dies ist Teil eines größeren Trends zur Verwendung von Mobiltelefonaufzeichnungen zur Untersuchung von Bevölkerungsgruppen. Zum Beispiel haben Demografen die Technik dazu verwendet Karte der Vermögensverteilung in Côte d’Ivoire an der Westküste Afrikas und sagen, dass die Methode eines Tages Volkszählungen ersetzen könnte.

Wenn diese Art von Studien richtig kalibriert werden kann, werden sie eine Ergänzung des Arsenals der Demographen sein. Ein Echtzeitbild des sozioökonomischen Status einer Region wird es ihnen ermöglichen, Ressourcen nach Bedarf zuzuweisen, wenn Probleme auftreten. Das wäre ein mächtiges Werkzeug.

Ref: arxiv.org/abs/1607.01337 : Kann die mobile Nutzung den Analphabetismus in einem Entwicklungsland vorhersagen?

verbergen