Conscious infrastructure for fairness aware detection of household water insecurity in Hyderabad informal settlements

Technische Zusammenfassung: Bewusstes Infrastruktur-Design für die fairness-bewusste Detektion von häuslicher Wasserunsicherheit in informellen Siedlungen in Hyderabad

Problemstellung
Derzeitige Anwendungen der Künstlichen Intelligenz (KI) und des maschinellen Lernens in der städtischen Wasserverwaltung sind überwiegend um die operative Perspektive von Versorgungsunternehmen organisiert, wobei der Fokus auf Netzressourcen, Flüssen, Drücken und der Sichtbarkeit der Infrastruktur liegt. Diese Orientierung ist für informelle Siedlungen analytisch unvollständig, da Wasserunsicherheit dort oft nicht als völlige Abwesenheit von Infrastruktur erlebt wird, sondern als die häusliche Belastung, unzuverlässige oder unsichere Dienste nutbar zu machen. Die Arbeit identifiziert eine „Lücke in der infrastrukturellen Sichtbarkeit“ (infrastructural visibility gap): die Diskrepanz zwischen den Belastungen, die Haushalte erfahren (Zeitverlust, Einkommensdruck, Gesundheitsrisiken, Bewältigungskosten), und den Belegen, die durch öffentliche Entscheidungssysteme als handlungsrelevant anerkannt werden. Wenn KI-Modelle ausschließlich auf für Versorgungsunternehmen sichtbaren Variablen (z. B. Quellentyp, Versorgungszeiten) trainiert werden, riskieren sie, die institutionelle Lesbarkeit zu optimieren, während sie Haushalte übersehen, deren Unsicherheit sich durch Arbeit und wirtschaftliche Disruption ausdrückt. Dies stellt ein „Problemformulierungs-Bias“ dar und nicht bloß einen technischen algorithmischen Bias.

Methodik
Die Studie operationalisiert eine Entscheidungsunterstützungsarchitektur namens Conscious Infrastructure Neural Systems (CINS). Es ist wichtig anzumerken, dass „neural“ in diesem Kontext auf eine verknüpfte Entscheidungsarchitektur anspielt, die Haushaltsdaten, prädiktive Klassifizierung, Subgruppen-Fairness-Audits und institutionelle Reaktionsprotokolle verbindet, und nicht auf die Verwendung von neuronalen Netzwerkalgorithmen.

• Datenquelle: Die Analyse nutzt einen Rohdatensatz aus 1.700 Haushaltsbefragungen in 34 informellen Siedlungen in Hyderabad, Indien, sowie 34 Wasserqualitätsmessungen. Die Daten stammen aus einer Doktorarbeit über den Zugang zu Trinkwasser und Entscheidungsfindung.
• Zielvariable: Die primäre Zielvariable ist ein binärer Indikator dafür, ob ein Haushalt angab, dass sein Arbeitsplan durch die Zeitpunkte der Trinkwasserversorgung oder -verfügbarkeit gestört wurde. Dies dient als Proxy für „bindende“ Wasserunsicherheit, da es direkte wirtschaftliche und zeitliche Konsequenzen erfasst, statt nur subjektive Wahrnehmung.
• Modellvergleich: Zwei logistische Regressionsmodelle wurden geschätzt und auf einem gehaltenen Testdatensatz (30 % der Daten, stratifiziert) verglichen:
  1. Utility-Visible Model (Versorgungs-sichtbares Modell): Enthält Variablen, die näher am konventionellen Infrastrukturwissen liegen (Quellnutzung, Versorgungszeiten, Speicherdauer, Siedlungs-ID, verknüpftes mikrobiologisches Risiko).
  2. Household-Burden Model (Haushaltsbelastungs-Modell): Enthält alle versorgungssichtbaren Variablen plus Variablen der Haushaltsbelastung (Einkommens-/Ausgaben-Mittelwerte, Ausgabenquotienten, wahrgenommene Qualitäts-/Quantitätsbewertungen, Krankheits-/Behandlungsindikatoren, Holdbelastung und Abhängigkeit von multiplen Quellen).
• Evaluationsmetriken: Die Leistung wurde anhand von Genauigkeit (Accuracy), Präzision (Precision), Recall, F1-Score, AUC und spezifisch der False Negative Rate (FNR) bewertet. Die Studie priorisiert die Reduzierung der FNR bei vulnerablen Subgruppen (niedrigstes Einkommensquartil, Haushalte mit multiplen Quellen, tankerabhängige Haushalte und Haushalte in Siedlungen mit mikrobiologischem Risiko) gegenüber der aggregierten Genauigkeit.
• Fairness-Audit: Eine Subgruppenanalyse wurde durchgeführt, um zu bestimmen, ob die Einbeziehung von Belastungsvariablen die Untererfassung spezifischer vulnerabler Gruppen reduziert. Eine Random-Forest-Feature-Importance-Analyse wurde als ergänzende Interpretierbarkeitsprüfung verwendet.

Zentrale Ergebnisse

• Modellleistung: Das Haushaltsbelastungs-Modell übertraf das versorgungssichtbare Modell auf dem gehaltenen Testdatensatz.
  • Genauigkeit (Accuracy): Steigerung von 0,669 auf 0,731.
  • Recall: Steigerung von 0,636 auf 0,714.
  • F1-Score: Steigerung von 0,513 auf 0,593.
  • AUC: Steigerung von 0,731 auf 0,818.
  • False Negative Rate (FNR): Senkung von 0,364 auf 0,286.
• Konfusionsmatrix: Das Haushaltsbelastungs-Modell identifizierte korrekt 100 wahre Positive (gestörte Haushalte) im Vergleich zu 89 im versorgungssichtbaren Modell, wodurch die Anzahl der übersehenen gestörten Haushalte von 51 auf 40 sank.
• Subgruppen-Fairness:
  • Verbesserungen: Die FNR sank signifikant für das niedrigste Einkommensquartil (32,1 % auf 25,0 %) und Haushalte mit multiplen Quellen (40,5 % auf 31,6 %).
  • Anomalie: Die FNR für tankerabhängige Haushalte stieg leicht an (8,8 % auf 12,5 %). Die Autoren interpretieren dies als Ergebnis der Tatsache, dass die Tankernutzung bereits ein starker Prädiktor im versorgungssichtbaren Modell war; das Hinzufügen von Belastungsvariablen verteilte die Modellgewichte neu, was die Leistung für diese spezifische Subgruppe, deren Risiko bereits hoch sichtbar war, leicht abschwächte.
• Feature Importance: Im Haushaltsbelastungs-Modell kristallisierten sich wirtschaftlicher Druck (Ausgaben, Einkommensmarge), wahrgenommene Servicequalität und die Holdbelastung als hochrangige Prädiktoren neben Infrastrukturvariablen heraus, was bestätigt, dass die Erfahrung der Haushalte zusätzliche entscheidungsrelevante Informationen liefert.

Zentrale Beiträge

1. Konzeptioneller Rahmen: Die Arbeit führt die Lücke in der infrastrukturellen Sichtbarkeit als Brücke zwischen häuslicher Wasserunsicherheit, Datenjustiz und städtischer Governance ein. Sie definiert diese Lücke als den Unterschied zwischen der von Haushalten erfahrenen Belastung und den Belegen, die von Entscheidungssystemen als relevant erkannt werden.
2. Empirische Evidenz: Sie liefert einen reproduzierbaren Vergleich, der zeigt, dass die Einbeziehung von Haushaltsbelastungsvariablen die Detektion von Hochrisiko-Haushalten verbessert und die False Negatives bei vulnerablen Subgruppen reduziert, was die Hinlänglichkeit infrastrukturzentrierter Daten infrage stellt.
3. Governance-Architektur (CINS): Die Arbeit schlägt CINS nicht bloß als prädiktives Werkzeug vor, sondern als Governance-Architektur, die prädiktive Klassifizierung mit institutionellen Reaktionsprotokollen verknüpft. Es wird argumentiert, dass fairness-bewusste KI darauf ausgelegt sein muss, Belastungen der Haushalte zu detektieren und spezifische Maßnahmen (z. B. Nachprüfung, Versorgungskorrektur, Beurteilung der Erschwinglichkeit) auszulösen, anstatt lediglich passive Dashboard-Outputs zu liefern.
4. Neubewertung von Fairness: Die Studie verschiebt die Bewertung von Fairness in der Infrastruktur-KI von der aggregierten Genauigkeit hin zur Verteilung der False Negatives über vulnerable Subgruppen und argumentiert, dass Fairness eine Eigenschaft der Dateneinschließung und der Problemformulierung ist, nicht nur einer nachträglichen Modellanpassung.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass Fairness in der Infrastruktur-KI nicht allein durch die Korrektur von Modellausgaben erreicht wird, sondern durch eine fundamentale Änderung der Datenarchitektur zur Einbeziehung von Haushaltsbelastungen. Das zentrale Argument ist, dass ein Haushalt „formal sichtbar“ (an ein Netz angeschlossen) und dennoch „analytisch unsichtbar“ hinsichtlich der Arbeit und der wirtschaftlichen Belastungen sein kann, die er trägt.

Die Autoren behaupten bescheiden, dass ihre Analyse zeigt, dass Haushaltsbelastungs-Variablen die Detektion unter einer transparenten Baseline-Spezifikation verbessern. Sie behaupten nicht, ein finales optimales Modell identifiziert oder CINS operativ voll implementiert zu haben. Vielmehr positioniert die Arbeit den Modellvergleich als diagnostisches Instrument für institutionelle Sichtbarkeit, das aufzeigt, was verloren geht, wenn die Haushaltsbelastung ausgeschlossen wird. Die Bedeutung liegt in der Behauptung, dass KI für eine fairness-bewusste Wasserverwaltung in der Stadt nicht allein auf Infrastruktur-Sichtbarkeit beruhen darf, sondern darauf ausgelegt sein muss, die gelebte Realität informeller Siedlungen – insbesondere die Fragmentierung des Service und die damit verbundenen Belastungen – zu erkennen. Die Arbeit schließt mit dem Hinweis, dass KI ohne die Integration von Haushaltsbelastungs-Daten und die Verknüpfung von Vorhersagen mit Reaktionsprotokollen Gefahr läuft, die Wasserverwaltung zwar effizienter zu machen, dabei aber die Unsichtbarkeit derjenigen zu zementieren, die am stärksten betroffen sind.