L'apprentissage automatique peut guider les efforts de sécurité alimentaire lorsque les données primaires ne sont pas disponibles. Les prédictions qui diffèrent de la valeur observée par un maximum de ± 5 points de prévalence sont classées comme correctes. Les prévalences prédites> 40 % (<40 %) lorsque la prévalence observée est <40 % (> 40 %) sont classées comme surestimation élevée (sous-estimation). Les autres régions sont classées en faible sous-estimation et sur-estimation. La ligne noire continue indique où les points tomberaient si toutes les valeurs prédites correspondaient parfaitement à celles observées, et les lignes diagonales en pointillés gris indiquent une distance de ± 5 points de prévalence par rapport à celle-ci. Les lignes horizontales et verticales en pointillés gris indiquent les seuils de prévalence de 40 %. Crédit :Nourriture naturelle (2022). DOI :10.1038/s43016-022-00587-8
Les chercheurs d'un article récent publié par Nature Food suggèrent une méthode qui, selon eux, permettra aux décideurs de prendre des décisions plus opportunes et mieux informées sur les politiques et les programmes orientés vers la lutte contre la faim.
En 2021, 193 millions de personnes dans 53 pays étaient en situation d'insécurité alimentaire aiguë. Ce nombre n'a cessé d'augmenter au cours des dernières années, également en raison de la pandémie de COVID-19. Pour faire face à ce problème mondial, le suivi de la situation et de son évolution est essentiel.
Les gouvernements et les organisations humanitaires effectuent régulièrement des évaluations de la sécurité alimentaire par le biais d'enquêtes en face à face et à distance par téléphone portable. Cependant, ces approches ont des coûts élevés en ressources monétaires et humaines et, par conséquent, les données primaires sur la situation de la sécurité alimentaire ne sont pas toujours disponibles pour toutes les zones touchées. Pourtant, ces informations sont essentielles pour les gouvernements et les organisations humanitaires.
Pour résoudre ce problème, les chercheurs de la Nature Food proposent une approche d'apprentissage automatique pour prédire le nombre de personnes ayant une consommation alimentaire insuffisante lorsque des mesures directes à jour ne sont pas disponibles. "Nous proposons également une méthode pour identifier les variables à l'origine des changements observés dans les tendances prévues, ce qui est essentiel pour rendre les prévisions utiles aux décideurs", déclare le professeur adjoint Elisa Omodei (Département des sciences des réseaux et des données, CEU, Vienne).
La méthode proposée utilise un algorithme d'apprentissage automatique pour estimer la situation actuelle de l'insécurité alimentaire dans une zone donnée à partir de données sur les principaux moteurs de l'insécurité alimentaire :conflits, conditions météorologiques extrêmes et chocs économiques. Les résultats montrent que la méthodologie proposée peut expliquer jusqu'à 81 % de la variation de la consommation alimentaire insuffisante.
Les chercheurs affirment que leur approche ouvre la porte à la prévision immédiate en temps quasi réel de la sécurité alimentaire à l'échelle mondiale, permettant aux décideurs de prendre des décisions plus opportunes et éclairées sur les politiques et les programmes axés sur la lutte contre la faim, dans le but d'atteindre les ODD 2 de l'Agenda 2030 pour le développement durable. La faim augmente dans le monde, mais les femmes sont les principales victimes de l'insécurité alimentaire
