Examining the Appraisers' Role in Redlining through Historical Appraisal Narratives
Cette étude utilise le traitement automatique du langage naturel et les systèmes d'information géographique pour démontrer comment les biais raciaux subjectifs dans les récits d'évaluation de la HOLC des années 1930 ont institutionnalisé le redlining, créant des disparités économiques durables et une inégalité de richesse dans les communautés autrefois victimes de redlining qui persistent dans les évaluations immobilières contemporaines.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
L'encre invisible du passé
Imaginez que vous essayez de comprendre pourquoi certains quartiers d'une ville prospèrent avec de nouveaux cafés et des parcs, tandis que d'autres, situés à quelques kilomètres seulement, semblent figés dans le temps, luttant contre les terrains vagues et la baisse de la valeur des logements. Est-ce simplement de la malchance ? Ou y a-t-il une histoire cachée écrite dans les rues mêmes ? Cette question se situe à l'intersection de l'histoire, de l'économie et de l'informatique. Pour la comprendre, nous devons connaître trois choses : le Redlining (ou « zonage discriminatoire »), qui était une pratique des années 1930 consistant pour les banques à tracer des lignes sur des cartes pour marquer certains quartiers comme « risqués » pour les prêts, souvent en fonction de qui y vivait plutôt que de la qualité des maisons ; les Évaluations immobilières (Appraisals), qui sont les rapports officiels rédigés par des experts pour décider de la valeur d'une maison ou d'un quartier ; et le Traitement du Langage Naturel (NLP), un type d'intelligence artificielle qui permet aux ordinateurs de lire et de comprendre le texte humain, en repérant des modèles de mots que les humains pourraient manquer. Pourquoi est-ce important ? Parce que la manière dont nous évaluons nos maisons aujourd'elle construit notre richesse future. Si les règles d'évaluation des maisons ont été écrites avec des biais par le passé, ce biais pourrait encore se cacher dans le système, façonnant discrètement qui s'enrichit et qui est laissé pour compte.
Le travail de détective : Découvrir des mots cachés
Dans cette étude, une chercheuse nommée Linda Loubert agit comme une détective numérique, traquant des indices dans des milliers de vieux documents poussiéreux des années 1930. Elle enquête sur une question spécifique : les mots utilisés par les évaluateurs pour décrire les quartiers ont-ils réellement contribué à créer les écarts économiques injustes que nous voyons aujourd'hui ?
Dans les années 1930, un groupe gouvernemental appelé la Home Owners' Loan Corporation (HOLC) a envoyé des évaluateurs pour noter les quartiers de A (les meilleures zones, « vertes ») à D (les pires zones, « rouges »). Ces notes décidaient qui pouvait obtenir un prêt hypothécaire et qui ne le pouvait pas. Mais les évaluateurs ne se contentaient pas de donner une lettre de notation ; ils devaient écrire une histoire pour expliquer pourquoi. Ils remplissaient des formulaires comprenant une section intitulée « Influences préjudiciables », où ils listaient ce qu'ils considéraient comme étant de travers dans un quartier.
Loubert a rassemblé plus de 7 000 de ces vieux formulaires. Elle ne pouvait pas tous les lire un par un, elle a donc utilisé un programme informatique très intelligent appelé RoBERTa (un type d'IA) pour les lire à sa place. Voyez RoBERTa comme un bibliothécaire robotique capable de scanner des milliers de livres en une seconde et de vous dire : « Hé, dans ces 500 livres, le mot "race" apparaît souvent, et dans ces 200 livres, ils parlent sans cesse de "vieux bâtiments" ».
L'ordinateur a classé les commentaires des évaluateurs dans des catégories telles que « Préoccupations liées à la race et à la classe », « Proximité de l'industrie », « Infrastructures vieillissantes » et « Risques environnementaux ». Ensuite, Loubert a comparé ces vieux mots à l'état de ces quartiers aujourd'hui. Elle a créé un « Score de Résilience au Redlining » (RRS) pour chaque zone, qui est comme un bulletin de notes mesurant la performance actuelle d'un quartier en termes de revenus, d'éducation et de valeur immobilière.
Ce que les indices révèlent
Les résultats ont été frappants. L'étude a montré que les mots que les évaluateurs ont écrits dans les années 1930 sont toujours liés à la situation des quartiers aujourd'hui.
Premièrement, les « notes » elles-mêmes comptent. Les quartiers qui ont été notés « D » (rouges) à l'époque sont toujours moins performants aujourd'hui que ceux notés « A » (verts). Mais voici le rebondissement : les mots que les évaluateurs ont écrits comptaient de manière significative, bien que pas autant que les notes les plus basses.
Lorsque l'ordinateur a examiné la section « Influences préjudiciables », il a découvert que les quartiers décrits avec un langage négatif concernant la race et la classe (comme mentionner l'« infiltration de Nègres » ou des « groupes raciaux inharmonieux ») ou la proximité de l'industrie (être proche des usines) ont fini avec des scores de résilience beaucoup plus bas aujourd'hui. En fait, l'impact négatif de l'écriture sur la « proximité de l'industrie » était presque aussi conséquent que la pénalité pour une note de « B », bien que la pénalité pour une note de « D » soit restée environ 2,7 fois plus grande que celle de ces mots spécifiques.
L'étude suggère que les évaluateurs ne faisaient pas que décrire le quartier ; ils construisaient un piège. Ils utilisaient le langage pour transformer des sentiments subjectifs sur la race et la classe en règles gouvernementales officielles. Par exemple, si un évaluateur écrivait qu'un quartier avait des « éléments indésirables », cette phrase devenait une raison de refuser des prêts. Au fil des décennies, ce manque d'argent a signifié que ces quartiers ne pouvaient pas réparer leurs toits ou construire de nouvelles écoles, menant à la pauvreté que nous voyons aujourd'hui.
La recherche a également examiné si cela n'était dû qu'aux notes officielles ou si l'histoire racontée par les évaluateurs était le véritable coupable. La réponse est complexe. Les notes établissaient les règles, mais les mots des évaluateurs fournissaient l'« échafaudage » qui soutenait ces règles. Lorsque l'étude a examiné les mots sans prendre en compte les notes, le langage négatif prédisait fortement une richesse moindre. Cependant, lorsque l'étude a inclus les notes officielles dans la même analyse, l'effet indépendant des mots est devenu beaucoup plus faible pour certaines catégories. Cela suggère que le biais ne résidait pas seulement dans la note finale, mais qu'il était ancré dans le langage même utilisé pour la justifier, bien que les notes aient porté le poids le plus lourd dans la détermination des résultats à long terme.
La vue d'ensemble
Ce document ne prétend pas que le redlining est la seule raison de l'inégalité actuelle, mais il prouve que la façon dont les évaluateurs ont écrit sur les quartiers dans les années 1930 a aidé à verrouiller ces inégalités. C'est comme si un enseignant avait écrit une note sur le bulletin d'un élève disant : « Cet élève n'est pas intelligent à cause de son milieu social », et que pendant les 90 années suivantes, chaque enseignant refusait de donner une chance à cet élève d'apprendre, simplement à cause de cette vieille note.
L'étude montre que les lignes « rouges » sur les vieilles cartes n'étaient pas seulement des lignes ; c'étaient des histoires écrites avec une encre biaisée. Et malheureusement, ces histoires résonnent encore dans nos villes aujourd'hui, empêchant certains quartiers de croître tandis que d'autres prospèrent. La recherche suggère que pour résoudre ces problèmes, nous ne pouvons pas nous contenter de regarder les chiffres ; nous devons comprendre les mots que nous utilisons pour décrire nos communautés, car ces mots ont le pouvoir de façonner notre avenir.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.