AI-Based Tribal Community Sustainability Prediction System Using Machine Learning: A Case Study of Palghar District, Maharashtra

En el vasto y variado paisaje del desarrollo rural de la India, el bienestar de las comunidades tribales a menudo depende de una compleja red de necesidades diarias. Para estas poblaciones, la verdadera sostenibilidad no es una medida única de riqueza, sino una combinación de acceso a escuelas, agua limpia, electricidad confiable, saneamiento seguro, trabajo constante y la capacidad de conectarse con el mundo digital. Cuando estos elementos faltan o se distribuyen de manera desigual, pueblos enteros pueden quedarse rezagados, incluso si los promedios de un distrito parecen prometedores. Para comprender dónde se necesita ayuda con mayor urgencia, los investigadores han dependido durante mucho tiempo de los datos del censo, que actúan como una fotografía masiva y estática de la condición de una nación en un momento específico. El desafío radica en convertir estas estadísticas áridas en una imagen clara de qué pueblos están prosperando y cuáles están luchando, y luego utilizar herramientas modernas para ver si los patrones en esos datos pueden ayudar a predecir necesidades futuras.

Un nuevo estudio centrado en el distrito de Palghar, en el estado de Maharashtra, intenta cerrar esta breos combinando datos demográficos tradicionales con inteligencia artificial. Los investigadores, Rushi Jadhav y Teena Thomsi, de la Universidad Amity, se propusieron crear un sistema que pudiera clasificar cientos de pueblos en categorías de sostenibilidad basadas en sus condiciones actuales. Comenzaron recopilando información del Censo de la India de 2011, una enorme encuesta gubernamental que registró detalles sobre hogares, alfabetización e infraestructura. Debido a que el distrito de Palghar fue creado a partir del distrito más grande de Thane después de que se realizara el censo, el equipo tuvo que mapear cuidadosamente los registros antiguos a los nuevos límites, ensamblando finalmente un conjunto de datos que cubría 901 pueblos. A partir de esta información bruta, construyeron un sistema de puntuación personalizado llamado Índice de Sostenibilidad de las Comunidades Tribales. Este índice no dependía de un solo factor, sino que ponderaba seis áreas distintas de la vida: educación, servicios básicos como saneamiento, acceso al agua, disponibilidad de energía, oportunidades de subsistencia y la inclusión digital. Cada pueblo recibió una puntuación basada en qué tan bien se desempeñaban sus residentes en estas seis categorías, siendo la educación y el agua las que tuvieron mayor peso en el cálculo.

Una vez puntuados los pueblos, los investigadores los dividieron en tres grupos: aquellos con baja sostenibilidad, aquellos con sostenibilidad moderada y aquellos con alta sostenibilidad. Esta clasificación era relativa, lo que significa que un pueblo era etiquetado como "alto" simplemente porque puntuaba mejor que sus vecinos, no porque cumpliera con un estándar gubernamental absoluto. Con estos grupos establecidos, el equipo recurrió al aprendizaje automático (machine learning), una rama de la informática donde el software aprende a reconocer patrones estudiando ejemplos. Entrenaron tres tipos diferentes de modelos computacionales para observar las seis puntuaciones de sostenibilidad y adivinar a qué grupo pertenecía un pueblo. El objetivo era ver si la computadora podía reproducir con precisión las categorías que los investigadores ya habían creado. Dividieron sus datos de modo que la computadora aprendiera del 80 por ciento de los pueblos y luego fuera probada con el 20 por ciento restante para ver qué tan bien se desempeñaba ante nuevos ejemplos.

Los resultados mostraron que los modelos computacionales eran notablemente buenos para esta tarea específica. El modelo más simple, conocido como regresión logística, identificó correctamente el nivel de sostenibilidad de los pueblos de prueba el 99.32 por ciento de las veces. Dos modelos más complejos, Random Forest y XGBoost, también funcionaron muy bien, alcanzando tasas de precisión del 95.21 por ciento y 94.52 por ciento respectivamente. Cuando los investigadores analizaron qué consideraba la computadora más importante al tomar sus decisiones, descubrieron que la educación era el factor dominante. Los modelos trataron consistentemente las tasas de alfabetización como la señal más fuerte para determinar la sostenibilidad general de un pueblo, seguidas por el acceso a la energía y la disponibilidad de agua. Esto sugiere que, en el contexto de estas comunidades tribales, el nivel de escolaridad está profundamente entrelazado con otros aspectos de una vida saludable.

Sin embargo, el estudio incluye una salvedad crucial que impide que estos resultados sean aclamados como una solución definitiva para predecir el futuro. La computadora estaba, esencialmente, siendo interrogada para clasificar pueblos basándose en los mismos números que utilizó para realizar la clasificación. Debido a que las categorías objetivo se construyeron directamente a partir de los datos de entrada, la alta precisión de las puntuaciones demuestra que la computadora puede aprender las reglas que los investigadores escribieron, pero no prueba que la computadora pueda predecir cómo cambiará un pueblo con el tiempo o cómo se desempeñaría con datos completamente nuevos. Los autores describen esto como una prueba de concepto, que demuestra que el marco de trabajo funciona y que los datos son consistentes, en lugar de una herramienta validada para la predicción independiente. Señalan explícitamente que el estudio depende de datos que tienen ahora más de una década de antigüedad y que cierta información, como el acceso a combustible de cocina limpio o la banca, fue registrada a nivel de subdistrito en lugar de para cada pueblo individual.

A pesar de estas limitaciones, el trabajo ofrece una forma clara y estructurada de observar el desarrollo tribal. Demuestra que, al combinar estadísticas oficiales con herramientas analíticas modernas, es posible crear un mapa detallado de la sostenibilidad en una región. Los investigadores sugieren que el trabajo futuro podría mejorar este sistema utilizando datos más recientes, añadiendo indicadores de salud y nutrición que faltaban en el censo de 2011, y probando los modelos contra resultados del mundo real que no fueron utilizados para construirlos en primer lugar. Por ahora, el estudio se mantiene como una demostración de cómo la inteligencia artificial puede ayudar a organizar datos sociales complejos, destacando la educación como un pilar central del bienestar comunitario en el distrito de Palghar, al tiempo que nos recuerda que los modelos más precisos son tan buenos como la independencia de los datos contra los cuales son probados.