💬 NLP

Using Embedding Models to Improve Probabilistic Race Prediction

Dit artikel introduceert eBISG, een methode die gebruikmaakt van tekst-embeddings om de nauwkeurigheid van raciale voorspellingen te verbeteren voor individuen met zeldzame achternamen die niet in de Census-gegevens voorkomen.

Oorspronkelijke auteurs: Noan Dasanaike, Kosuke Imai

Gepubliceerd 2026-04-27

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Noan Dasanaike, Kosuke Imai

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Mysterie van de "Vergeten Namen": Hoe AI helpt om eerlijker te meten

Stel je voor dat je een enorme feestdag organiseert voor een hele stad. Je wilt weten hoeveel mensen van verschillende achtergronden komen, zodat je genoeg verschillende soorten eten kunt inkopen (bijvoorbeeld extra vegetarisch of specifieke culturele gerechten).

Het probleem? Je hebt geen lijst met de afkomst van iedereen. Om dit op te lossen, gebruik je een "Gok-Gids" (in de wetenschap heet dit BISG). Deze gids werkt zo: als je de achternaam van iemand weet, kun je met een redelijke zekerheid raden uit welke culturele groep diegene komt. "Jansen" is waarschijnlijk wit, "Garcia" is waarschijnlijk Spaans/Hispanic, en "Nguyen" is waarschijnlijk Aziatisch.

Het probleem: De "Gaten" in de Gids
Maar de gids heeft een groot probleem: hij is een beetje ouderwets. Hij heeft alleen de meest voorkomende namen in zijn boek staan. Voor ongeveer 10% van de mensen is de gids simpelweg leeg. Als iemand een zeldzame of nieuwe achternaam heeft die niet in het boek staat, zegt de gids: "Geen idee, ik gok maar gewoon op het gemiddelde van de hele stad."

Dit is niet alleen onnauwkeurig, het is ook oneerlijk. Juist mensen met een migratieachtergrond hebben vaker namen die niet in die standaardlijstjes staan. Hierdoor worden zij in statistieken vaak verkeerd ingeschat, waardoor we bijvoorbeeld niet goed zien of bepaalde groepen wel eerlijk behandeld worden in de zorg of bij de bank.

De Oplossing: De "Slimme Vertaler" (eBISG)
De onderzoekers van Harvard hebben een nieuwe methode bedacht: eBISG. In plaats van een stoffig boek met lijstjes, gebruiken ze een soort "Slimme Vertaler" (een AI-model met embeddings).

Denk aan deze AI als iemand die niet alleen woorden leest, maar de vibe en de structuur van een naam begrijpt. Zelfs als de AI een specifieke naam nog nooit heeft gezien, kijkt hij naar de bouwstenen:

"Deze naam eindigt op '-ez' en heeft deze klanken, dat lijkt heel erg op de namen die ik wél ken uit de Spaanse hoek."
"Deze naam heeft een specifieke ritmische opbouw die vaak voorkomt bij Aziatische namen."

De AI kijkt niet alleen naar de achternaam, maar combineert ook de voornaam en zelfs de middelste naam tot één groot patroon. Het is alsof de gids niet meer alleen naar een lijstje kijkt, maar naar de hele "stijl" van een naam om een veel betere, intelligente gok te doen.

Wat hebben we eraan?
De resultaten laten zien dat deze "Slimme Vertaler" veel beter is in het herkennen van mensen die voorheen "onzichtbaar" waren in de statistieken. Vooral voor Aziatische en Hispanic gemeenschappen zijn de voorspellingen veel nauwkeuriger geworden.

Waarom is dit belangrijk voor jou?
Als we niet weten wie wie is, kunnen we ook niet meten of er discriminatie plaatsvindt. Als de statistieken zeggen dat een bepaalde groep "gemiddeld" is, terwijl ze in werkelijkheid heel specifiek zijn, missen we de kans om onrecht aan te pakken. Deze nieuwe AI-methode zorgt ervoor dat de "vergeten namen" eindelijk weer een gezicht krijgen in de data, zodat de samenleving eerlijker kan worden gemeten en verbeterd.

Technische Samenvatting: Embedding-powered BISG (eBISG)

1. Het Probleem: De beperking van de huidige BISG-methode

De standaardmethode voor het schatten van de etniciteit van individuen in administratieve gegevens (waar deze informatie ontbreekt) is Bayesian Improved Surname Geocoding (BISG). BISG combineert twee bronnen van informatie:

Achternaam-informatie: De kans op een bepaalde etniciteit op basis van de achternaam ( $P(R|S)$ ), afgeleid van Census-data.
Geografische informatie: De raciale samenstelling van de woonplaats ( $P(R|G)$ ).

Het kernprobleem: De Census-lijsten bevatten alleen achternamen die minstens 100 keer voorkomen. Dit betekent dat ongeveer 10% van de Amerikaanse bevolking (voornamelijk mensen met Hispanic of Aziatische achtergronden) een achternaam heeft die niet in de Census staat. Voor deze groep valt de standaard BISG terug op een "generieke prior" (de nationale gemiddelden), wat geen specifieke informatie over de persoon geeft. Dit leidt tot een aanzienlijke afname in de nauwkeurigheid van voorspellingen voor juist de minderheidsgroepen die het meest relevant zijn voor onderzoek naar ongelijkheid.

2. Methodologie: Embedding-powered BISG (eBISG)

De auteurs stellen eBISG voor, een methode die gebruikmaakt van pre-trained text embeddings (zoals het E5-Large model) om namen om te zetten in dichte vectoren in een hoogdimensionale ruimte. Omdat deze modellen getraind zijn op morfologische en linguïstische patronen, krijgen namen die op elkaar lijken (bijv. door etymologische wortels) vergelijkbare vectoren, zelfs als ze niet in de Census voorkomen.

De onderzoekers testen vijf benaderingen, variërend in complexiteit:

Standaard BISG: Alleen achternamen uit de Census.
BIFSG: Voegt de kansen van voornamen uit de Census toe (onder de aanname van conditionele onafhankelijkheid).
eBISG (Surname embedding): Gebruikt een neuraal netwerk getraind op de Census om de raciale prior voor niet-vermelde achternamen te schatten op basis van hun embedding.
eBISG (Surname + First name embedding): Combineert embeddings van zowel achternaam als voornaam.
eBISG (Full-name embedding): De meest geavanceerde methode. Deze traint een neuraal netwerk op volledige namen (voor-, tussen- en achternaam gecombineerd) met behulp van kiezersbestanden. Dit vangt de interactie tussen naamcomponenten op, wat de traditionele aanname van onafhankelijkheid omzeilt.

3. Belangrijkste Bijdragen

Oplossing voor de 'unmatched surname' gap: Het biedt een wetenschappelijk verantwoorde manier om informatiever priors te genereren voor de 10% van de bevolking die buiten de Census-lijsten valt.
Integratie van Deep Learning: Het introduceert het gebruik van tekst-embeddings in de sociale wetenschappen voor het verbeteren van probabilistische raciale imputatie.
Behoud van het bestaande framework: De methode verandert niets aan de voorspellingen voor de 90% van de mensen die wel in de Census staan; het vult alleen het gat voor de rest aan. Hierdoor is het naadloos te integreren in bestaande statistische pijplijnen (zoals de BIRDiE-estimator).

4. Resultaten

De resultaten, gebaseerd op kiezersdata uit North Carolina en Florida, tonen het volgende aan:

Verbeterde Precisie en Recall: De full-name embedding methode presteert het best voor alle raciale categorieën, met de grootste winst voor Hispanic en Aziatische kiezers.
Vermindering van sociaaleconomische bias: Eerdere studies toonden aan dat BISG systematische fouten maakt die gecorreleerd zijn met inkomen (bijv. het overschatten van het aandeel witte inwoners in rijke wijken). De eBISG-methode reduceert deze bias aanzienlijk.
Betere Kalibratie: De voorspelde kansen komen nauwkeuriger overeen met de werkelijke frequenties in de populatie vergeleken met de standaardmethoden.

5. Betekenis en Impact

Dit onderzoek is cruciaal voor de sociale en gezondheidswetenschappen. Omdat nauwkeurige metingen van raciale ongelijkheid essentieel zijn voor beleidsvorming (bijv. in de financiële sector of de gezondheidszorg), zorgt eBISG ervoor dat de meest kwetsbare en vaak ondervertegenwoordigde groepen in data-analyses niet langer worden gemaskeerd door onnauwkeurige statistische aannames. Het biedt een robuustere basis voor het bestrijden van discriminatie en het meten van sociale rechtvaardigheid.