Les gouvernements et les groupes humanitaires peuvent utiliser des algorithmes d'apprentissage automatique et des données de téléphonie mobile pour apporter de l'aide à ceux qui en ont le plus besoin pendant une crise humanitaire, a-t-on découvert dans une nouvelle recherche.

L'idée simple derrière cette approche, comme nous l'avons expliqué dans la revue Nature le 16 mars 2022, c'est que les riches utilisent le téléphone différemment des pauvres. Leurs appels téléphoniques et SMS suivent des schémas différents et ils utilisent différents forfaits de données, par exemple. Les algorithmes d'apprentissage automatique, qui sont des outils sophistiqués de reconnaissance de formes, peuvent être formés pour reconnaître ces différences et déduire si un abonné mobile donné est riche ou pauvre.

Alors que la pandémie de COVID-19 se propageait au début de 2020, notre équipe de recherche a aidé le ministère togolais de l'économie numérique et GiveDirectly, une organisation à but non lucratif qui envoie de l'argent aux personnes vivant dans la pauvreté, à transformer ces informations en un nouveau type de programme d'aide.

Dans un premier temps, nous avons collecté des données récentes, fiables et représentatives. Travaillant sur le terrain avec des partenaires au Togo, nous avons mené 15 000 enquêtes téléphoniques pour collecter des informations sur les conditions de vie de chaque ménage. Après avoir comparé les réponses à l'enquête avec les données des entreprises de téléphonie mobile, nous avons formé les algorithmes d'apprentissage automatique pour reconnaître les modèles d'utilisation du téléphone caractéristiques des personnes vivant avec moins de 1,25 USD par jour.

Le défi suivant consistait à déterminer si un système basé sur l'apprentissage automatique et les données téléphoniques serait efficace pour faire parvenir de l'argent aux personnes les plus pauvres du pays. Notre évaluation a indiqué que cette nouvelle approche fonctionnait mieux que les autres options envisagées par le gouvernement togolais.

Par exemple, se concentrer entièrement sur les cantons les plus pauvres - qui sont analogues aux comtés américains - n'aurait fourni des avantages qu'à 33 % des personnes vivant avec moins de 1,25 USD par jour. En revanche, l'approche de machine learning ciblait 47 % de cette population.

Nous nous sommes ensuite associés au gouvernement togolais, à GiveDirectly et aux dirigeants communautaires pour concevoir et piloter un programme de transfert monétaire basé sur cette technologie. En novembre 2020, les premiers bénéficiaires ont été inscrits et payés. À ce jour, le programme a fourni près de 10 millions de dollars à environ 137 000 des citoyens les plus pauvres du pays.

Nos travaux montrent que les données collectées par les entreprises de téléphonie mobile, lorsqu'elles sont analysées à l'aide d'une technologie d'apprentissage automatique, peuvent aider à orienter l'aide vers ceux qui en ont le plus besoin.

Même avant la pandémie, plus de la moitié des 8,6 millions d'habitants de ce pays d'Afrique de l'Ouest vivaient en dessous du seuil de pauvreté international. Alors que le COVID-19 ralentissait davantage l'activité économique, nos enquêtes ont indiqué que 54 % de tous les Togolais étaient obligés de sauter des repas chaque semaine.

La situation au Togo n'était pas unique. Le ralentissement résultant de la pandémie de COVID-19 a plongé des millions de personnes dans l'extrême pauvreté. En réponse, les gouvernements et les organisations caritatives ont lancé plusieurs milliers de nouveaux programmes d'aide, offrant des avantages à plus de 1,5 milliard de personnes et de familles dans le monde.

Mais au milieu d'une crise humanitaire, les gouvernements ont du mal à déterminer qui a le plus besoin d'aide de toute urgence. Dans des circonstances idéales, ces décisions seraient fondées sur des enquêtes approfondies auprès des ménages. Mais il n'y avait aucun moyen de recueillir ces informations au milieu d'une pandémie.

Notre travail aide à démontrer comment de nouvelles sources de mégadonnées, telles que les informations recueillies à partir de satellites et de réseaux de téléphonie mobile, peuvent permettre de cibler l'aide dans des conditions de crise lorsque des sources de données plus traditionnelles ne sont pas disponibles.

Nous menons des recherches de suivi pour évaluer l'impact des transferts monétaires sur les bénéficiaires. Les résultats précédents indiquent que les transferts monétaires peuvent contribuer à accroître la sécurité alimentaire et à améliorer le bien-être psychologique en temps normal. Nous évaluons si cette aide a des résultats similaires pendant une crise.

Il est également essentiel de trouver des moyens d'inscrire et de payer les personnes sans téléphone. Au Togo, environ 85 % des ménages avaient au moins un téléphone, et les téléphones sont fréquemment partagés au sein des familles et des communautés. Cependant, il n'est pas clair combien de personnes qui avaient besoin d'aide humanitaire au Togo ne l'ont pas reçue en raison de leur manque d'accès à un appareil mobile.

À l'avenir, les systèmes combinant de nouvelles méthodes tirant parti de l'apprentissage automatique et des mégadonnées avec des approches traditionnelles basées sur des enquêtes devraient améliorer le ciblage de l'aide humanitaire.