Les données des téléphones portables révèlent les taux d'alphabétisation dans les pays en développement

L'un des objectifs de développement du millénaire des Nations Unies est d'éradiquer l'extrême pauvreté d'ici 2030. C'est une tâche complexe, car la pauvreté a de nombreux facteurs contributifs. Mais l'un des plus importants concerne les 750 millions de personnes dans le monde qui ne savent ni lire ni écrire, dont les deux tiers sont des femmes.

De nombreuses organisations peuvent vous aider, à condition qu'elles sachent où placer leurs ressources. L'identification des zones où les taux d'alphabétisation sont faibles est donc un défi important.

La méthode habituelle consiste à réaliser des enquêtes auprès des ménages. Mais c'est un travail long et coûteux, et difficile à répéter régulièrement. Et dans tous les cas, les données du monde en développement sont souvent obsolètes avant de pouvoir être utilisées efficacement. Ainsi, un moyen plus rapide et moins coûteux de cartographier les taux d'alphabétisation serait extrêmement bienvenu.

Aujourd'hui, Pål Sundsøy de Telenor Group Research à Fornebu, en Norvège, explique qu'il a trouvé comment déterminer les taux d'alphabétisation à l'aide des enregistrements d'appels téléphoniques mobiles.

Sa méthode consiste à faire des calculs simples. Il commence par une enquête standard auprès des ménages de 76 000 utilisateurs de téléphones portables vivant dans un pays en développement non identifié en Asie. L'enquête a été réalisée pour un opérateur de téléphonie mobile par une agence professionnelle et enregistre le numéro de téléphone mobile de chaque personne et si elle sait ou non lire.

Sundsøy fait ensuite correspondre cet ensemble de données avec les enregistrements de données d'appel de la compagnie de téléphonie mobile. Cela fournit des données telles que les numéros que chaque personne a appelés ou envoyés par SMS, la durée de ces appels, les achats de temps d'antenne, les emplacements des tours de téléphonie cellulaire, etc.

À partir de ces données, Sundsøy peut déterminer où se trouvaient toutes les personnes lorsqu'elles ont passé leurs appels ou envoyé des SMS, qui elles appelaient ou envoyaient des SMS, le nombre de SMS reçus, à quelle heure de la journée, etc. Cela lui permet de construire un réseau social pour chaque utilisateur, de déterminer qui ils ont appelé, à quelle fréquence, etc.

Enfin, il a utilisé 75 % des données pour rechercher des modèles associés à des utilisateurs analphabètes, en utilisant une variété de techniques de calcul numérique et d'apprentissage automatique. Il a utilisé les 25% restants pour tester s'il est possible d'utiliser ces modèles pour identifier les personnes analphabètes et les zones où il y a une proportion plus élevée d'analphabètes.

Les résultats rendent la lecture intéressante. Sundsøy dit que son algorithme d'apprentissage automatique a trouvé plusieurs facteurs qui semblent prédire l'analphabétisme. Le plus puissant est l'endroit où les gens passent la plupart de leur temps. Une explication peut être que le modèle capture les régions à faible niveau de développement économique, par ex. bidonvilles où l'analphabétisme est élevé, dit Sundsøy.

Un autre prédicteur de l'analphabétisme est le nombre de textes entrants et la façon dont ils diffèrent du nombre de textes sortants. Cela pourrait être dû au fait que les gens n'envoient pas de SMS à d'autres qu'ils savent analphabètes, souligne Sundsøy.

Et le réseau social semble également être un indicateur utile. Les analphabètes ont tendance à concentrer leur communication sur quelques personnes, dit Sundsøy. Cela est conforme à d'autres travaux suggérant que le bien-être économique est en corrélation avec la diversité des contacts sociaux.

Dans l'ensemble, dit-il, son algorithme d'apprentissage automatique peut repérer les individus analphabètes avec une précision surprenante. En dérivant des caractéristiques économiques, sociales et de mobilité pour chaque utilisateur mobile, nous prédisons le statut d'analphabétisme individuel avec une précision de 70 %, dit-il, soulignant que cela permet de cartographier les zones à faible taux d'alphabétisation.

Cela pourrait être une astuce utile pour les agences d'aide qui souhaitent allouer des ressources aux zones à faible taux d'alphabétisation. Cependant, ils voudront de meilleures preuves que cela fonctionne sur d'autres ensembles de données et à d'autres endroits.

Si c'est le cas, le potentiel d'amélioration des vies est énorme. De faibles niveaux d'alphabétisation conduisent à un cercle vicieux de pauvreté. Les personnes analphabètes fonctionnelles sont incapables de remplir des demandes d'emploi, de lire des étiquettes de médicaments, d'écrire des chèques ou d'équilibrer leurs comptes.

Cela les rend plus susceptibles d'être au chômage, d'avoir une mauvaise santé et de dépendre de l'aide sociale ou de la charité. Ils ne sont pas non plus en mesure d'aider leurs enfants à apprendre à lire et à écrire.

Mettre fin à ce cycle est un objectif important.

Tout cela fait partie d'une tendance plus large à utiliser les enregistrements de téléphones portables pour étudier les populations. Par exemple, les démographes ont utilisé la technique pour cartographier la répartition des richesses en Côte d'Ivoire sur la côte ouest de l'Afrique et dire que la méthode pourrait un jour remplacer les recensements.

Si ces types d'études peuvent être correctement calibrés, ils constitueront un ajout à l'arsenal des démographes. Une image en temps réel du statut socio-économique d'une région leur permettra d'allouer les ressources en fonction des besoins lorsque des problèmes surgissent. Ce serait un outil puissant.

Réf : arxiv.org/abs/1607.01337 : L'utilisation du mobile peut-elle prédire l'analphabétisme dans un pays en développement ?

cacher