Examining the Appraisers' Role in Redlining through Historical Appraisal Narratives
Deze studie maakt gebruik van Natural Language Processing en Geographic Information Systems om aan te tonen hoe subjectieve raciale vooroordelen in de narratieven van HOLC-taxaties uit de jaren 1930 redlining institutionaliseerden, waardoor blijvende economische ongelijkheid en vermogensongelijkheid ontstonden in voorheen met redlining getroffen gemeenschappen die voortbestaan in hedendaagse vastgoedwaarderingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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
De Onzichtbare Inkt van het Verleden
Stel je voor dat je probeert te achterhalen waarom sommige wijken in een stad floreren met nieuwe koffietentjes en parken, terwijl andere, slechts enkele kilometers verderop, lijken te zijn blijven stilstaan en worstelen met braakliggende terreinen en lagere woningwaarden. Is het gewoon pech? Of is er een verborgen geschiedenis geschreven in de straten zelf? Deze vraag bevindt zich op het snijvlak van geschiedenis, economie en informatica. Om dit te begrijpen, moeten we drie dingen weten: Redlining, wat een praktijk was uit de jaren 1930 waarbij banken lijnen op kaarten trokken om bepaalde wijken als "risicovol" te markeren voor leningen, vaak gebaseerd op wie er woonde in plaats van op de kwaliteit van de huizen; Taxaties (Appraisals), wat de officiële rapporten zijn die experts schrijven om te bepalen hoeveel een huis of buurt waard is; en Natural Language Processing (NLP), een vorm van kunstmatige intelligentie die computers in staat stelt menselijke tekst te lezen en te begrijpen, waarbij patronen in woorden worden herkend die mensen misschien missen. Waarom is dit belangrijk? Omdat de manier waarop we onze huizen vandaag de dag waarderen, ons toekomstige vermogen bepaalt. Als de regels voor het waarderen van woningen in het verleden met vooroordelen zijn geschreven, kan dat vooroordeel nog steeds verborgen zitten in het systeem en stilletjes bepalen wie rijk wordt en wie wordt achtergelaten.
Het Detectiewerk: Verborgen Woorden Opsporen
In dit onderzoek treedt een onderzoeker genaamd Linda Loubert op als een digitale detective, op zoek naar aanwijzingen in duizenden stoffige, oude documenten uit de jaren 1930. Ze onderzoekt een specifieke vraag: Hielpen de woorden die taxateurs gebruikten om wijken te beschrijven daadwerkelijk bij het creëren van de onrechtvaardige economische kloven die we vandaag de dag zien?
Terug in de jaren 1930 stuurde een overheidsgroep genaamd de Home Owners' Loan Corporation (HOLC) taxateurs uit om wijken in te delen van A (de beste, "groene" zones) tot D (de slechtste, "rode" zones). Deze cijfers bepaalden wie een hypotheek kon krijgen en wie niet. Maar de taxateurs gaven niet alleen een lettercijfer; ze moesten ook een verhaal schrijven om uit te leggen waarom. Ze vulden formulieren in met een sectie genaamd "Detrimentale Invloeden" (Detrimental Influences), waar ze opschreven wat zij mis vonden aan een buurt.
Loubert verzamelde meer dan 7.000 van deze oude formulieren. Ze kon ze niet allemaal één voor één lezen, dus gebruikte ze een superintelligent computerprogramma genaamd RoBERTa (een type AI) om ze voor haar te lezen. Denk aan RoBERTa als een robotbibliothecaris die in een seconde duizenden boeken kan scannen en tegen je kan zeggen: "Hé, in deze 500 boeken komt het woord 'ras' veel voor, en in die 200 boeken praten ze steeds over 'oude gebouwen'."
De computer sorteerde de opmerkingen van de taxateurs in categorieën zoals "Ras en klasse zorgen", "Nabijheid van industrie", "Verouderde infrastructuur" en "Milieurisico's". Vervolgens vergeleek Loubert deze oude woorden met hoe die wijken er vandaag de dag uitzien. Ze creëerde een "Redlining Resilience Score" (RRS) voor elk gebied, wat een soort rapportcijfer is dat meet hoe goed een buurt nu presteert in termen van inkomen, opleiding en woningwaarden.
Wat de Aanwijzingen Onthullen
De resultaten waren opvallend. De studie toonde aan dat de woorden die de taxateurs in de jaren 1930 opschreven, nog steeds verbonden zijn met hoe wijken er vandaag de dag voor staan.
Ten eerste doen de "cijfers" er toe. Wijken die destijds met "D" (rood) werden beoordeeld, doen het vandaag de dag nog steeds slechter dan wijken die met "A" (groen) werden beoordeeld. Maar hier komt de wending: de woorden die de taxateurs schreven waren ook significant van belang, hoewel niet zo sterk als de laagste cijfers.
Toen de computer keek naar de sectie "Detrimentale Invloeden", vond het dat wijken die beschreven werden met negatieve taal over ras en klasse (zoals het noemen van "Negro infiltration" of "inharmonische raciale groepen") of nabijheid van industrie (nabijheid van fabrieken) vandaag de dag veel lagere weerbaarheidsscores hadden. Sterker nog, de negatieve impact van het schrijven over "nabijheid van industrie" was bijna even ingrijpend als de straf voor een "B"-cijfer, hoewel de straf voor een "D"-cijfer nog steeds ongeveer 2,7 keer groter was dan de straf voor die specifieke woorden.
De studie suggereert dat de taxateurs de buurt niet alleen beschreven; ze bouwden een valstrik. Ze gebruikten taal om subjectieve gevoelens over ras en klasse om te zetten in officiële overheidsregels. Bijvoorbeeld, als een taxateur schreef dat een buurt "ongewenste elementen" had, werd die frase een reden om leningen te weigeren. Over decennia heen betekende dit gebrek aan geld dat die wijken hun daken niet konden repareren of nieuwe scholen konden bouwen, wat leidde tot de armoede die we vandaag de dag zien.
Het onderzoek keek ook naar de vraag of dit alleen over de officiële cijfers ging of dat het verhaal dat de taxateurs vertelden de werkelijke boosdoener was. Het antwoord is complex. De cijfers bepaalden de regels, maar de woorden van de taxeurs vormden de "steiger" die die regels ondersteunde. Wanneer de studie naar de woorden keek zonder de cijfers mee te nemen, voorspelde de negatieve taal sterk een lager vermogen. Echter, toen de studie de officiële cijfers in dezelfde analyse opnam, werd het onafhankelijke effect van de woorden voor sommige categorieën veel kleiner. Dit suggereert dat de bias niet alleen in het uiteindelijke lettercijfer zat; het was verankerd in de taal die werd gebruikt om het te rechtvaardigen, maar de cijfers zelf droegen de zwaarste last in het bepalen van de langetermijngevolgen.
Het Grotere Plaatje
Dit artikel beweert niet dat redlining de enige reden is voor de huidige ongelijkheid, maar het bewijst dat de manier waarop taxateurs in de jaren 1930 over wijken schreven, hielp om die ongelijkheden te verankeren. Het is alsof een leraar een aantekening op het rapport van een leerling schrijft met de tekst: "Deze leerling is niet slim vanwege zijn achtergrond," en vervolgens, gedurende de volgende 90 jaar, elke leraar weigert die leerling een kans te geven om te leren, simpelweg vanwege die oude aantekening.
De studie laat zien dat de "rode" lijnen op de oude kaarten niet alleen lijnen waren; het waren verhalen geschreven in bevooroordeelde inkt. En helaas echoën die verhalen nog steeds na in onze steden, waardoor sommige wijken niet kunnen groeien terwijl andere floreren. Het onderzoek suggereert dat om deze problemen op te lossen, we niet alleen naar de cijfers kunnen kijken; we moeten begrijpen welke woorden we gebruiken om onze gemeenschappen te beschrijven, want die woorden hebben de kracht om onze toekomst vorm te geven.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.