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

In het uitgestrekte en gevarieerde landschap van de rurale ontwikkeling in India hangt het welzijn van tribale gemeenschappen vaak af van een complex web van dagelijkse noodzakelijkheden. Voor deze populaties is echte duurzaamheid geen enkele maatstaf van rijkdom, maar een combinatie van toegang tot scholen, schoon water, betrouwbare elektriciteit, veilige sanitaire voorzieningen, stabiel werk en de mogelijkheid om verbinding te maken met de digitale wereld. Wanneer deze elementen ontbreken of ongelijk verdeeld zijn, kunnen hele dorpen achterblijven, zelfs als de gemiddelde cijfers van een district veelbelovend ogen. Om te begrijpen waar de hulp het hardst nodig is, hebben onderzoekers lang vertrouwd op censusgegevens, die fungeren als een enorme, statische foto van de conditie van een natie op een specifiek moment in de tijd. De uitdaging ligt in het omzetten van deze droge statistieken naar een helder beeld van welke dorpen floreren en welke worstelen, en vervolgens het gebruik van moderne hulpmiddelen om te zien of patronen in die gegevens kunnen helpen bij het voorspellen van toekomstige behoeften.

Een nieuwe studie gericht op het district Palghar in de staat Maharashtra probeert deze kloof te overbruggen door traditionele demografische gegevens te combineren met kunstmatige intelligentie. De onderzoekers, Rushi Jadhav en Teena Thomsi van Amity University, zetten zich in om een systeem te creëren dat honderden dorpen kan sorteren in categorieën van duurzaamheid op basis van hun huidige omstandigheden. Ze begonnen met het verzamelen van informatie uit de Census van India uit 2011, een enorme overheidsenquête die details registreerde over huishoudens, geletterdheid en infrastructuur. Omdat het district Palghar na de census werd afgesplitst van het grotere Thane-district, moest het team de oude records zorgvuldig in kaart brengen naar de nieuwe grenzen, waarbij ze uiteindelijk een dataset samenstelden die 901 dorpen beslaat. Vanuit deze ruwe informatie bouwden zij een aangepast scoringssysteem genaamd de Tribal Community Sustainability Index. Deze index vertrouwde niet op één enkele factor, maar weegde zes verschillende levensgebieden: onderwijs, basisvoorzieningen zoals sanitaire voorzieningen, toegang tot water, beschikbaarheid van energie, mogelijkheden voor levensonderhoud en digitale inclusie. Elk dorp kreeg een score gebaseerd op hoe goed de inwoners in deze zes categorieën presteerden, waarbij onderwijs en water het meeste gewicht in de berekening kregen.

Zodra de dorpen waren gescoord, verdeelden de onderzoekers ze in drie groepen: die met een lage duurzaamheid, die met een matige duurzaamheid en die met een hoge duurzaamheid. Deze classificatie was relatief, wat betekende dat een dorp als "hoog" werd bestempeld simpelweg omdat het beter scoorde dan zijn buren, en niet omdat het aan een absolute overheidsnorm voldeed. Met deze groepen vastgesteld, richtte het team zich op machine learning, een tak van de computerwetenschap waarbij software leert patronen te herkennen door voorbeelden te bestuderen. Ze trainden drie verschillende soorten computermodellen om naar de zes duurzaamheidsscores te kijken en te raden bij welke groep een dorp hoorde. Het doel was om te zien of de computer nauwkeurig de categorieën kon reproduceren die de onderzoekers al hadden gecreëerd. Ze splitsten hun data zodat de computer leerde van 80 procent van de dorpen en vervolgens werd getest op de resterende 20 procent om te zien hoe goed het presteerde op nieuwe voorbeelden.

De resultaten toonden aan dat de computermodellen uitzonderlijk goed waren in deze specifieke taak. Het eenvoudigste model, bekend als logistische regressie, identificeerde de duurzaamheidsgraad van de testdorpen in 99,32 procent van de gevallen correct. Twee complexere modellen, random forest en XGBoost, presteerden ook zeer goed, met nauwkeurigheidspercentages van respectievelijk 95,21 procent en 94,52 procent. Wanneer de onderzoekers keken naar wat de computer het belangrijkst vond bij het nemen van zijn beslissingen, ontdekten ze dat onderwijs de dominante factor was. De modellen behandelden geletterdheid consequent als het sterkste signaal voor het bepalen van de algemene duurzaamheid van een dorp, gevolgd door toegang tot energie en de beschikbaarheid van water. Dit suggereert dat in de context van deze tribale gemeenschappen het niveau van scholing diep verweven is met andere aspecten van een gezond leven.

De studie bevat echter een cruciale kanttekening die voorkomt dat deze resultaten worden geclaimd als een definitieve oplossing voor het voorspellen van de toekomst. De computer werd in essentie gevraagd om dorpen te sorteren op basis van exact dezelfde cijfers die hij gebruikte om de sortering te maken. Omdat de doelcategorieën direct uit de invoergegevens waren opgebouwd, bewijzen de hoge nauwkeurigheidsscores dat de computer de regels kan leren die de onderzoekers hebben geschreven, maar ze bewijzen niet dat de computer kan voorspellen hoe een dorp in de loop van de tijd zal veranderen of hoe het zou presteren op geheel nieuwe gegevens. De auteurs beschrijven dit als een proof of concept, die aantoont dat het framework werkt en dat de data consistent is, in plaats van een gevalideerd instrument voor onafhankelijke voorspelling. Ze merken expliciet op dat de studie steunt op gegevens die nu meer dan een decennium oud zijn en dat sommige informatie, zoals toegang tot schone kookbrandstof of bankwezen, op subdistrictniveau werd geregistreerd in plaats van voor elk afzonderlijk dorp.

Ondanks deze beperkingen biedt het werk een duidelijke, gestructureerde manier om naar tribale ontwikkeling te kijken. Het laat zien dat door officiële statistieken te combineren met moderne analytische hulpmiddelen, het mogelijk is om een gedetailleerde kaart van duurzaamheid over een regio te maken. De onderzoekers suggereren dat toekomstig werk dit systeem kan verbeteren door recentere gegevens te gebruiken, indicatoren voor gezondheid en voeding toe te voegen die ontbraken in de census van 2011, en de modellen te testen tegen de werkelijke uitkomsten die niet werden gebruikt om ze op te bouwen. Voor nu staat de studie als een demonstratie van hoe kunstmatige intelligentie kan helpen bij het organiseren van complexe sociale data, waarbij onderwijs wordt benadrukt als een centrale pijler van gemeenschappelijk welzijn in het district Palghar, terwijl er tegelijkertijd wordt herinnerd aan het feit dat de meest nauwkeurige modellen slechts zo goed zijn als de onafhankelijkheid van de data waartegen ze worden getest.