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

Dans le paysage vaste et varié du développement rural en Inde, le bien-être des communautés tribales dépend souvent d'un réseau complexe de nécessités quotidiennes. Pour ces populations, la véritable durabilité n'est pas une mesure unique de richesse, mais une combinaison d'accès aux écoles, à l'eau potable, à l'électricité fiable, à l'assainissement sûr, au travail stable et à la capacité de se connecter au monde numérique. Lorsque ces éléments font défaut ou sont répartis de manière inégale, des villages entiers peuvent être laissés pour compte, même si les chiffres moyens d'un district semblent prometteurs. Pour comprendre où l'aide est nécessaire en priorité, les chercheurs s'appuient depuis longtemps sur les données du recensement, qui agissent comme une photographie massive et statique de l'état d'une nation à un moment précis. Le défi consiste à transformer ces statistiques arides en une image claire des villages qui prospèrent et de ceux qui luttent, puis à utiliser des outils modernes pour voir si des modèles dans ces données peuvent aider à prédire les besoins futurs.

Une nouvelle étude centrée sur le district de Palghar, dans l'État du Maharashtra, tente de combler cette lacune en combinant les données démographiques traditionnelles avec l'intelligence artificielle. Les chercheurs, Rushi Jadhav et Teena Thomsi de l'Université Amity, ont entrepris de créer un système capable de classer des centaines de villages en catégories de durabilité basées sur leurs conditions actuelles. Ils ont commencé par rassembler des informations issues du recensement de 2011 de l'Inde, une enquête gouvernementale massive qui a enregistré des détails sur les ménages, l'alphabétisation et les infrastructures. Comme le district de Palghar a été extrait du plus grand district de Thane après le recensement, l'équipe a dû cartographier soigneusement les anciens registres selon les nouvelles limites, assemblant finalement un ensemble de données couvrant 901 villages. À partir de ces informations brutes, ils ont construit un système de notation personnalisé appelé l'Indice de Durabilité des Communautés Tribales. Cet indice ne reposait pas sur un facteur unique mais pondé six domaines distincts de la vie : l'éducation, les services de base comme l'assainissement, l'accès à l'eau, la disponibilité de l'énergie, les opportunités de subsistance et l'inclusion numérique. Chaque village recevait un score basé sur la façon dont ses résidents s'en sortaient dans ces six catégories, l'éducation et l'eau ayant le plus de poids dans le calcul.

Une fois les villages notés, les chercheurs les ont divisés en trois groupes : ceux ayant une faible durabilité, ceux ayant une durabilité modérée et ceux ayant une haute durabilité. Cette classification était relative, ce qui signifie qu'un village était étiqueté « haut » simplement parce qu'il avait un meilleur score que ses voisins, et non parce qu'il répondait à une norme gouvernementale absolue. Avec ces groupes établis, l'équipe s'est tournée vers l'apprentissage automatique, une branche de l'informatique où les logiciels apprennent à reconnaître des modèles en étudiant des exemples. Ils ont entraîné trois types différents de modèles informatiques pour examiner les six scores de durabilité et deviner à quel groupe appartient un village. L'objectif était de voir si l'ordinateur pouvait reproduire avec précision les catégories que les chercheurs avaient déjà créées. Ils ont divisé leurs données de sorte que l'ordinateur apprenne à partir de 80 % des villages et soit ensuite testé sur les 20 % restants pour voir comment il performait sur de nouveaux exemples.

Les résultats ont montré que les modèles informatiques étaient remarquablement doués pour cette tâche spécifique. Le modèle le plus simple, connu sous le nom de régression logistique, a correctement identifié le niveau de durabilité des villages de test 99,32 % du temps. Deux modèles plus complexes, la forêt aléatoire (random forest) et XGBoost, ont également très bien performé, atteignant des taux de précision respectifs de 95,21 % et 94,52 %. Lorsque les chercheurs ont examiné ce que l'ordinateur considérait comme le plus important lors de ses prises de décision, ils ont découvert que l'éducation était le facteur dominant. Les modèles ont systématiquement traité les taux d'alphabétisation comme le signal le plus fort pour déterminer la durabilité globale d'un village, suivis de l'accès à l'énergie et de la disponibilité de l'eau. Cela suggère que, dans le contexte de ces communautés tribales, le niveau de scolarité est profondément entrelacé avec d'autres aspects d'une vie saine.

Cependant, l'étude inclut une mise en garde cruciale qui empêche ces résultats d'être salués comme une solution finale pour prédire l'avenir. L'ordinateur se voyait essentiellement demander de trier des villages sur la base des mêmes chiffres qu'il utilisait pour effectuer le tri. Parce que les catégories cibles ont été construites directement à partir des données d'entrée, les scores de précision élevés prouvent que l'ordinateur peut apprendre les règles que les chercheurs ont écrites, mais ils ne prouvent pas que l'ordinateur peut prédire comment un village changera au fil du temps ou comment il performerait sur des données entièrement nouvelles. Les auteurs décrivent cela comme une preuve de concept, démontrant que le cadre fonctionne et que les données sont cohérentes, plutôt qu'un outil validé pour une prédiction indépendante. Ils notent explicitement que l'étude repose sur des données qui ont maintenant plus d'une décennie et que certaines informations, telles que l'accès au combustible de cuisson propre ou aux services bancaires, ont été enregistrées au niveau du sous-district plutôt que pour chaque village individuel.

Malgré ces limites, ce travail offre une manière claire et structurée d'observer le développement tribal. Il montre qu'en combinant les statistiques officielles avec des outils analytiques modernes, il est possible de créer une carte détaillée de la durabilité à travers une région. Les chercheurs suggèrent que les travaux futurs pourraient améliorer ce système en utilisant des données plus récentes, en ajoutant des indicateurs de santé et de nutrition qui manquaient au recensement de 2011, et en testant les modèles contre des résultats réels qui n'ont pas été utilisés pour les construire en premier lieu. Pour l'instant, l'étude constitue une démonstration de la manière dont l'intelligence artificielle peut aider à organiser des données sociales complexes, soulignant l'éducation comme un pilier central du bien-être communautaire dans le district de Palghar, tout en nous rappelant que les modèles les plus précis ne sont aussi bons que l'indépendance des données contre lesquelles ils sont testés.