The crime of being poor

Résumé Technique : Le crime d'être pauvre

Énoncé du problème
Le document traite du phénomène de l'« aporophobie » (le biais contre les pauvres), plus précisément de la croyance sociétale collective qui corrèle la pauvreté à la criminalité. Bien que la littérature existante n'ait pas trouvé de preuves empiriques liant la pauvreté aux taux de criminalité globale, les auteurs notent que les pauvres sont fréquemment blâmés pour leur situation et associés à des actes criminels plus souvent que les riches. Ce biais crée un « cercle vicieux » où les pauvres sont punis pour leur pauvreté (par exemple, les lois contre le sans-abrisme) et sont perçus comme intrinsèquement criminels. Cette perception entrave l'approbation des politiques de réduction de la pauvreté, car les pauvres sont considérés comme « indésirables ». L'étude vise à combler une lacune dans la littérature en fournissant des preuves empiriques de ce préjugé collectif à l'aide du traitement du langage naturel (NLP) sur des données de réseaux sociaux.

Méthodologie
Les auteurs ont employé une approche quantitative de NLP pour analyser les données Twitter du 25 août 2022 au 23 novembre 2022.

• Collecte de données : Les tweets en anglais ont été collectés et classés en deux corpus : « pauvre » et « riche ».
  • Le corpus « pauvre » comprenait des phrases contenant des termes tels que « the poor » (les pauvres), « homeless » (sans-abri), « on welfare » (au bénéfice d'aides sociales), « low-income » (à faibles revenus) et « disadvantaged » (défavorisé) (en excluant les insultes offensantes).
  • Le corpus « riche » comprenait des phrases avec des termes tels que « the rich » (les riches), « wealthy » (aisés), « millionaires » (millionnaires) et « privileged » (privilégiés).
  • Les mots isolés « poor » et « rich » ont été exclus pour éviter la polysémie (ex. : « poor results » / résultats médiocres).
  • L'ensemble final de données comprenait plus de 1,3 million de phrases dans le corpus « pauvre » et 1,9 million dans le corpus « riche ».
• Portée géographique : La localisation des utilisateurs a été analysée pour se concentrer sur huit pays anglophones disposant d'un volume de données suffisant : les États-Unis, le Royaume-Uni, le Canada, l'Inde, le Nigeria, l'Australie, l'Afrique du Sud et le Kenya.
• Modélisation thématique : Un algorithme BERTopic non supervisé (utilisant des sentence transformers et le clustering HDBSCAN) a été appliqué à un échantillon aléatoire de 600 000 phrases du corpus « pauvre » pour identifier les thèmes prédominants. Cela a révélé un thème important lié à la criminalité.
• Définition de la métrique (CPB) : Pour quantifier le biais, les auteurs ont défini le Biais Crime-Pauvreté (CPB - Crime-Poverty-Bias). Cette métrique est calculée comme la différence entre :
  1. Le pourcentage de phrases dans le corpus « pauvre » contenant des termes liés à la criminalité (ex. : crime, jail, arrest, criminal).
  2. Le pourcentage de phrases dans le corpus « riche » contenant les mêmes termes.
• Analyse contextuelle : Les résultats du CPB ont été comparés à des indicateurs externes pour chaque pays, notamment les ratios de la population vivant dans la pauvreté, les indices de Gini (inégalité), les taux de chômage et les taux de criminalité globale.

Résultats clés

• Analyse thématique : L'analyse BERTopic a confirmé que la criminalité est un thème important dans les discussions sur les pauvres, caractérisé par des mots comme police, cops, criminals et jail. L'analyse a noté que même le contre-discours s'opposant à ces stéréotypes (ex. : « tous les sans-abri ne sont pas des criminels ») sert de preuve de l'existence du stéréotype.
• Quantification du CPB : L'étude a trouvé un CPB positif dans les huit pays, indiquant que les pauvres sont associés à la criminalité plus fréquemment que les riches dans le discours public.
  • Biais le plus élevé : Les États-Unis présentaient le CPB le plus élevé (2,2 %), suivis du Canada (1,2 %) et de l'Afrique du Sud (1,1 %).
  • Biais le plus faible : L'Inde présentait le CPB le plus bas (0,1 %).
• Absence de corrélation avec les indicateurs socio-économiques : Les auteurs ont observé aucune corrélation directe entre les taux de CPB et les indicateurs socio-économiques réels des pays.
  • Par exemple, les États-Unis avaient le CPB le plus élevé malgré des taux de pauvreté, d'inégalité et de chômage plus faibles que ceux de l'Afrique du Sud.
  • Inversement, le Kenya, qui présente des taux de pauvreté plus élevés et des niveaux d'inégalité et de chômage similaires à ceux des États-Unis, affichait un CPB relativement bas (0,7 %).
• Hypothèse culturelle : Les auteurs suggèrent que le CPB élevé aux États-Unis et au Canada peut être alimenté par des récits culturels de la « terre d'opportunités » et une surestimation de la mobilité sociale. La croyance selon laquelle le succès est uniquement le résultat de l'effort individuel peut conduire à un jugement plus sévère envers les pauvres, les considérant comme responsables de leur manque de succès, tandis que les pays ayant des contextes culturels différents peuvent ne pas présenter ce biais spécifique au même degré.

Signification et affirmations
L'article affirme fournir la première preuve empirique de la « criminalisation de la pauvreté » en tant que biais sociétal collectif, mesurée par une analyse à grande échelle des réseaux sociaux.

• Impact politique : Les auteurs soutiennent que ce biais est un obstacle à l'élaboration de politiques efficaces. Lorsque les pauvres sont perçus comme « indésirables » ou intrinsèquement criminels, le soutien public aux politiques de lutte contre la pauvreté diminue.
• Direction de la recherche : L'étude propose une nouvelle voie de recherche pour l'atténuation de la pauvreté qui s'étend au-delà de la redistribution des richesses pour inclure l'atténuation du biais social contre les pauvres.
• IA et Société : Ce travail démontre comment l'IA et le NLP peuvent être utilisés pour détecter et quantifier les biais sociétaux (spécifiquement l'aporophobie) qui ne sont pas capturés par les données statistiques traditionnelles, offrant des perspectives pertinentes pour les Objectifs de développement durable de l'ONU, particาulièrement l'objectif de mettre fin à la pauvreté sous toutes ses formes.

Les auteurs maintiennent un ton modeste, reconnaissant que les données Twitter ne sont pas totalement représentatives de la population totale et que l'étude constitue une « première approche » de la mesure de ce phénomène. Ils ne proposent pas d'interventions spécifiques mais soulignent la nécessité de s'attaquer au biais collectif pour faciliter la restauration de la dignité des pauvres et l'approbation des politiques sociales nécessaires.