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

Nel vasto e variegato panorama dello sviluppo rurale in India, il benessere delle comunità tribali dipende spesso da una complessa rete di necessità quotidiane. Per queste popolazioni, la vera sostenibilità non è una singola misura di ricchezza, ma una combinazione di accesso alle scuole, acqua pulita, elettricità affidabile, servizi igienico-sanitari sicuri, lavoro costante e la capacità di connettersi con il mondo digitale. Quando questi elementi mancano o sono distribuiti in modo disomogeneo, interi villaggi possono restare indietro, anche se le medie di un distretto appaiono promettenti. Per comprendere dove sia necessario un intervento, i ricercatori si sono a lungo affidati ai dati del censimento, che fungono da una massiccia, statica fotografia della condizione di una nazione in un momento specifico. La sfida consiste nel trasformare queste statistiche aride in un quadro chiaro di quali villaggi stiano prosperando e quali stiano lottando, e poi nell'utilizzare strumenti moderni per vedere se gli schemi in quei dati possano aiutare a prevedere i bisogni futuri.

Un nuovo studio focalizzato sul distretto di Palghar, nello stato del Maharashtra, tenta di colmare questo divario combinando i dati demografici tradizionali con l'intelligenza artificiale. I ricercatori, Rushi Jadhav e Teena Thomsi dell'Amity University, si sono posti l'obiettivo di creare un sistema in grado di classificare centinaia di villaggi in categorie di sostenibilità basate sulle loro condizioni attuali. Hanno iniziato raccogliendo informazioni dal Censimento dell'India del 2011, un massiccio sondaggio governativo che registrava dettagli su famiglie, alfabetizzazione e infrastrutture. Poiché il distretto di Palghar è stato creato dal più grande distretto di Thane dopo che il censimento è stato effettuato, il team ha dovuto mappare attentamente i vecchi record con i nuovi confini, assemblando infine un set di dati che copriva 901 villaggi. Da queste informazioni grezze, hanno costruito un sistema di punteggio personalizzato chiamato Indice di Sostenibilità delle Comunità Tribali. Questo indice non si basava su un singolo fattore, ma pesava sei aree distinte della vita: istruzione, servizi di base come l'igiene, l'accesso all'acqua, la disponibilità di energia, le opportunità di sussistenza e l'inclusione digitale. Ogni villaggio riceveva un punteggio in base a quanto bene i suoi residenti si destreggiavano in queste sei categorie, con l'istruzione e l'acqua che avevano il peso maggiore nel calcolo.

Una volta assegnati i punteggi ai villaggi, i ricercatori li hanno divisi in tre gruppi: quelli con bassa sostenibilità, quelli con sostenibilità moderata e quelli con alta sostenibilità. Questa classificazione era relativa, il che significa che un villaggio veniva etichettato come "alto" semplicemente perché otteneva un punteggio migliore dei suoi vicini, non perché avesse soddisfatto uno standard governativo assoluto. Con questi gruppi stabiliti, il team si è rivolto al machine learning, un ramo dell'informatica in cui il software impara a riconoscere modelli studiando esempi. Hanno addestrato tre diversi tipi di modelli informatici per esaminare i sei punteggi di sostenibilità e indovinare a quale gruppo apparteneva un villaggio. L'obiettivo era vedere se il computer potesse riprodurre accuratamente le categorie che i ricercatori avevano già creato. Hanno suddiviso i loro dati in modo che il computer imparasse dall'80% dei villaggi e venisse poi testato sul restante 20% per vedere come si sarebbe comportato su nuovi esempi.

I risultati hanno mostrato che i modelli informatici erano straordinariamente bravi in questo compito specifico. Il modello più semplice, noto come regressione logistica, ha identificato correttamente il livello di sostenibilità dei villaggi di test il 99,32% delle volte. Altri due modelli più complessi, random forest e XGBoost, hanno avuto prestazioni molto buone, raggiungendo tassi di accuratezza rispettivamente del 95,21% e del 94,52%. Quando i ricercatori hanno osservato cosa il computer considerasse più importante nel prendere le sue decisioni, hanno scoperto che l'istruzione era il fattore dominante. I modelli hanno trattato costantemente i tassi di alfabetizzazione come il segnale più forte per determinare la sostenibilità complessiva di un villaggio, seguiti dall'accesso all'energia e dalla disponibilità di acqua. Ciò suggerisce che, nel contesto di queste comunità tribali, il livello di scolarizzazione è profondamente intrecciato con altri aspetti di una vita sana.

Tuttavia, lo studio include una clausola cruciale che impedisce a questi risultati di essere celebrati come una soluzione definitiva per prevedere il futuro. Al computer veniva essenzialmente chiesto di classificare i villaggi basandosi sugli stessi numeri che utilizzava per effettuare la classificazione. Poiché le categorie target erano costruite direttamente dai dati di input, l'alta accuratezza dimostra che il computer può imparare le regole scritte dai ricercatori, ma non prova che il computer possa prevedere come un villaggio cambierà nel tempo o come si comporterà su dati completamente nuovi. Gli autori descrivono questo come una prova di concetto, dimostrando che il framework funziona e che i dati sono coerenti, piuttosto che uno strumento validato per la previsione indipendente. Essi sottolineano esplicitamente che lo studio si basa su dati che hanno ormai più di un decennio e che alcune informazioni, come l'accesso a combustibili puliti per cucinare o l'accesso bancario, sono state registrate a livello di sottodistretto piuttosto che per ogni singolo villaggio.

Nonostante queste limitazioni, il lavoro offre un modo chiaro e strutturato per osservare lo sviluppo tribale. Dimostra che, combinando le statistiche ufficiali con strumenti analitici moderni, è possibile creare una mappa dettagliata della sostenibilità in una regione. I ricercatori suggeriscono che il lavoro futuro potrebbe migliorare questo sistema utilizzando dati più recenti, aggiungendo indicatori di salute e nutrizione che mancavano nel censimento del 2011, e testando i modelli contro risultati del mondo reale che non sono stati utilizzati per costruirli in primo luogo. Per ora, lo studio rimane una dimostrazione di come l'intelligenza artificiale possa aiutare a organizzare dati sociali complessi, evidenziando l'istruzione come un pilastro centrale del benessere comunitario nel distretto di Palghar, ricordandoci al contempo che i modelli più accurati sono solo buoni quanto l'indipendenza dei dati contro cui vengono testati.