Examining the Appraisers' Role in Redlining through Historical Appraisal Narratives
Diese Studie nutzt Natural Language Processing und Geographische Informationssysteme, um aufzuzeigen, wie subjektive rassistische Vorurteile in den Narrativen der HOLC-Bewertungen der 1930er Jahre das Redlining institutionalisierten und dadurch dauerhafte wirtschaftliche Disparitäten sowie Wohlstandsungleichheiten in ehemals durch Redlining betroffenen Gemeinschaften schufen, die in zeitgenössischen Immobilienbewertungen fortbestehen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die unsichtbare Tinte der Vergangenheit
Stellen Sie sich vor, Sie versuchen herauszufinden, warum einige Stadtviertel mit neuen Cafés und Parks florieren, während andere, nur wenige Kilometer entfernt, in der Zeit stehen geblieben zu sein scheinen und mit Leerständen und niedrigeren Immobilienwerten kämpfen. Ist das einfach nur Pech? Oder gibt es eine verborgene Geschichte, die in die Straßen selbst geschrieben wurde? Diese Frage bewegt sich an der Schnittstelle von Geschichte, Wirtschaftswissenschaften und Informatik. Um dies zu verstehen, müssen wir drei Dinge kennen: Redlining, eine Praxis aus den 1930er Jahren, bei der Banken Linien auf Karten zeichneten, um bestimmte Viertel als „riskant“ für Kredite zu markieren – oft basierend darauf, wer dort lebte, statt auf der Qualität der Häuser; Appraisals (Immobilienbewertungen), das sind die offiziellen Berichte, die Experten schreiben, um zu entscheiden, wie viel ein Haus oder ein Viertel wert ist; und Natural Language Processing (NLP), eine Art der künstlichen Intelligenz, die es Computern ermöglicht, menschlichen Text zu lesen und zu verstehen sowie Muster in Wörtern zu erkennen, die Menschen vielleicht übersehen. Warum ist das wichtig? Weil die Art und Weise, wie wir heute unsere Häuser bewerten, unser zukünftiges Vermögen bestimmt. Wenn die Regeln für die Bewertung von Häusern in der Vergangenheit mit Voreingenommenheit geschrieben wurden, könnte diese Voreingenommenheit noch heute im System lauern und still und leise mitgestalten, wer reich wird und wer zurückgelassen wird.
Die Detektivarbeit: Verborgene Wörter aufspüren
In dieser Studie agiert eine Forscherin namens Linda Loubert wie eine digitale Detektivin, die nach Hinweisen in tausenden staubigen, alten Dokumenten aus den 1930er Jahren sucht. Sie untersucht eine spezifische Frage: Haben die Wörter, die die Gutachter zur Beschreibung von Vierteln verwendeten, tatsächlich dazu beigetragen, die ungerechten wirtschaftlichen Klüfte zu schaffen, die wir heute sehen?
Zur Zeit der 1930er Jahre schickte eine Regierungsgruppe namens Home Owners' Loan Corporation (HOLC) Gutachter aus, um Stadtteile von A (die besten, „grünen“ Zonen) bis D (die schlechtesten, „roten“ Zonen) einzustufen. Diese Noten entschieden darüber, wer eine Hypothek erhalten konnte und wer nicht. Aber die Gutachter gaben nicht nur eine Note; sie mussten eine Geschichte schreiben, die erklärte, warum. Sie füllten Formulare mit einem Abschnitt namens „Detrimentale Einflüsse“ (schädliche Einflüsse) aus, in dem sie auflisteten, was sie an einem Viertel als problematisch empfanden.
Loubert sammelte über 7.000 dieser alten Formulare. Da sie sie nicht alle einzeln lesen konnte, nutzte sie ein hochintelligentes Computerprogramm namens RoBERTa (eine Art von KI), um sie für sie zu lesen. Stellen Sie sich RoBERTa wie einen Roboter-Bibliothekar vor, der tausende Bücher in einer Sekunde scannen und Ihnen sagen kann: „Hey, in diesen 500 Büchern kommt das Wort ‚Rasse‘ oft vor, und in jenen 200 Büchern geht es ständig um ‚alte Gebäude‘.“
Der Computer sortierte die Kommentare der Gutachter in Kategorien wie „Rassen- und Klassenfragen“, „Nähe zur Industrie“, „Alternde Infrastruktur“ und „Umweltgefahren“. Dann verglich Loubert diese alten Wörter mit dem, wie diese Viertel heute aussehen. Sie erstellte für jedes Gebiet einen „Redlining Resilience Score“ (RRS), was wie ein Zeugnis ist, das misst, wie gut ein Viertel heute in Bezug auf Einkommen, Bildung und Immobilienwerte abschneidet.
Was die Hinweise enthüllen
Die Ergebnisse waren frappierend. Die Studie fand heraus, dass die Wörter, die die Gutachter damals schrieben, immer noch mit der Lage der Viertel heute verknüpft sind.
Erstens zählen die „Noten“ an sich. Viertel, die damals mit „D“ (rot) bewertet wurden, schneiden auch heute noch schlechter ab als jene, die mit „A“ (grün) bewertet wurden. Aber hier ist die Wendung: Die Wörter, die die Gutachter schrieben, waren ebenfalls signifikant von Bedeutung, wenn auch nicht ganz so stark wie die niedrigsten Noten.
Als der Computer den Abschnitt „Detrimentale Einflüsse“ untersuchte, stellte er fest, dass Stadtteile, die mit negativer Sprache über Rasse und Klasse (wie die Erwähnung von „Negro infiltration“ oder „unharmonischen rassischen Gruppen“) oder Nähe zur Industrie (Nähe zu Fabriken) beschrieben wurden, heute viel niedrigere Resilienz-Scores aufweisen. Tatsächlich war die negative Auswirkung der Beschreibung von „Nähe zur Industrie“ fast so bedeutsam wie die Strafe für eine „B“-Note, obwohl die Strafe für eine „D“-Note immer noch etwa 2,formen 2,7 Mal größer war als die Strafe für diese spezifischen Wörter.
Die Studie legt nahe, dass die Gutachter die Viertel nicht nur beschrieben, sondern eine Falle bauten. Sie nutzten Sprache, um subjektive Gefühle über Rasse und Klasse in offizielle Regierungsvorschriften zu verwandeln. Wenn ein Gutachter zum Beispiel schrieb, dass ein Viertel „unerwünschte Elemente“ habe, wurde diese Formulierung zu einem Grund, Kredite zu verweigern. Über Jahrzehnte hinweg bedeutete dieser Mangel an Geld, dass diese Viertel ihre Dächer nicht reparieren oder neue Schulen bauen konnten, was zu der Armut führte, die wir heute sehen.
Die Forschung untersuchte auch, ob dies nur an den offiziellen Noten lag oder ob die Geschichte, die die Gutachter erzählten, der wahre Übeltäter war. Die Antwort ist komplex. Die Noten legten die Regeln fest, aber die Wörter der Gutachter lieferten das „Gerüst“, das diese Regeln stützte. Als die Studie die Wörter ohne Berücksichtigung der Noten betrachtete, sagte die negative Sprache die geringere Wohlfahrt stark voraus. Als die Studie jedoch die offiziellen Noten in dieselbe Analyse einbezog, wurde der unabhängige Effekt der Wörter für einige Kategorien viel kleiner. Dies deutet darauf hin, dass die Voreingenommenheit nicht nur in der endgültigen Note steckte, sondern in die sehr Sprache eingebacken war, die sie rechtfertigte, wobei die Noten selbst das schwerste Gewicht bei der Bestimmung der langfristigen Ergebnisse trugen.
Das große Ganze
Dieses Paper behauptet nicht, dass Redlining der einzige Grund für die heutige Ungleichheit ist, aber es beweist, dass die Art und Weise, wie die Gutachter die Viertel in den 1930er Jahren beschrieben haben, dazu beigetragen hat, diese Ungleichheiten zu zementieren. Es ist wie wenn ein Lehrer eine Notiz auf dem Zeugnis eines Schülers schreibt: „Dieser Schüler ist nicht klug wegen seines Hintergrunds“, und dann für die nächsten 90 Jahre jeder Lehrer nach ihm sich weigert, diesem Schüler eine Chance zum Lernen zu geben, einfach nur wegen dieser alten Notiz.
Die Studie zeigt, dass die „roten“ Linien auf den alten Karten nicht nur Linien waren; sie waren Geschichten, die mit voreingenommener Tinte geschrieben wurden. Und leider hallen diese Geschichten heute noch in unseren Städten wider, indem sie einige Viertel daran hindern zu wachsen, während andere florieren. Die Forschung legt nahe, dass wir zur Lösung dieser Probleme nicht nur auf die Zahlen schauen können; wir müssen die Wörter verstehen, mit denen wir unsere Gemeinschaften beschreiben, denn diese Wörter haben die Macht, unsere Zukunft zu gestalten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.