Social Media Data for Population Mapping: A Bayesian Approach to Address Representativeness and Privacy Challenges

Resumo Técnico: Dados de Redes Sociais para Mapeamento Populacional: Uma Abordagem Bayesiana para Enfrentar Desafios de Representatividade e Privacidade

Definição do Problema
Dados populacionais precisos e oportunos são críticos para a resposta a desastres e o planejamento humanitário, mas os dados tradicionais de censo frequentemente falham em capturar mudanças demográficas rápidas ou mobilidade espacial de curto prazo. Embora os dados de redes sociais (especificamente contagens de usuários do Facebook) ofereçam uma alternativa promissora para o monitoramento populacional dinâmico, sua utilidade é limitada por dois desafios principais:

1. Representatividade: Os usuários de redes sociais constituem um subconjunto enviesado da população total, e a relação entre as contagens de usuários observadas e os estoques populacionais reais varia significamente através de diferentes contextos socioeconômicos e geográficos.
2. Ausência Induzida pela Privacidade: Para proteger a privacidade do usuário, a Meta (Facebook) aplica técnicas de privacidade diferencial que censuram dados de baixa contagem. Especificamente, contagens de usuários abaixo de um limiar (10 usuários) são mascaradas ou censuradas. Os autores descobrem que esse censuramento afeta desproporcionalmente áreas de baixa população e rurais, levando a lacunas de dados significativas (aproximadamente 1,7% dos municípios não possuem contagens, e >6,6% possuem >80% de tiles ausentes) e introduzindo um viés que métodos padrão de suavização ou interpolação não conseguem resolver.

Metodologia
O estudo emprega uma estrutura Bayesiana para enfrentar esses desafios utilizando as Filipinas como estudo de caso, aproveitando os dados do censo de 2020 e as contagens de usuários do Facebook de 4 de maio de 2020 (selecionado para alinhar com as datas de referência do censo durante os lockdowns da COVID-19). O fluxo de trabalho consiste em três estágios principais:

1. Imputação Bayesiana para Dados Censurados:
   Para recuperar valores ausentes causados pelo censuramento de privacidade, os autores desenvolvem um modelo hierárquico de contagem de Poisson Bayesiano. Diferente de métodos simples de imputação, esta abordagem trata valores ausentes como informativos em vez de arbitrários. O modelo utiliza a distribuição completa de contagens de usuários ao longo do tempo (março–dezembro de 2020) para cada tile. Ele distingue contagens observadas de contagens censuradas (aquelas abaixo do limiar de 10) usando uma função de verossimilhança que incorpora a função de distribuição cumulativa de Poisson para observações censuradas. Tiles com apenas valores censurados são agrupados por sua frequência de aparição no conjunto de dados para inferir uma distribuição compartilhada, permitindo a recuperação de contagens ausentes em áreas rurais.

2. Modelagem Estatística de Proporções de Usuários:
   Usando os dados imputados, os autores modelam a proporção de usuários do Facebook em cada município (Bayan) como uma função de vários preditores:

• Grau de Urbanização (DUC): Categorizado como Rural, Periurbano e Urbano.
• Proporção da população em idade ativa (15–65 anos).
• Intensidade de luz noturna (radiância de satélite).
  (Nota: A densidade de uso de rede foi analisada, mas excluída dos modelos finais devido à alta colinearidade com outros preditores e esparsidade de dados).

Três variantes de modelos foram desenvolvidas e comparadas:

• $M_{bin}$: Um modelo binomial hierárquico.
• $M_{betabin}$: Uma regressão beta-binomial introduzindo um parâmetro de sobredispersão ($\rho$) para contabilizar a variância que excede a suposição binomial.
• $M_{full}$: O modelo completo incorporando a sobredispersão de $M_{betabin}$ mais um componente espacialmente explícito usando Processos Gaussianos aproximados por Espaço de Hilbert (HSGPs) para capturar correlações espaciais entre áreas administrativas vizinhas não explicadas pelos preditores.

3. Validação:
   Os modelos foram treinados em 80% das áreas administrativas (estratificadas por DUC) e testados nas 20% restantes. O desempenho foi avaliado pelo Erro Absoluto da Mediana (AEMed), Erro Quadrático da Média (SEMean) e Pontuação de Probabilidade Contínua (CRPS).

Principais Resultados

• Eficácia da Imputação: A abordagem de imputação Bayesiana recuperou com sucesso a cobertura de dados para 5,5% dos municípios rurais (323 Bayans) que anteriormente não possuíam contagens de usuários. Este processo corrigiu o viés onde áreas de baixa densidade eram sistematicamente sub-representadas.
• Desempenho do Modelo: O modelo completo ($M_{full}$), que considera tanto a sobredispersão quanto a correlação espacial, demonstrou a melhor generalização.
  • Áreas Urbanas: Alcançou um AEMed de ~24% e CRPS de ~18%.
  • Áreas Rurais: Alcançou um AEMed de ~39% e CRPS de ~27%.
    A inclusão de sobredispersão e componentes espaciais melhorou significativamente a calibração dos intervalos de credibilidade, particularmente para áreas rurais onde as taxas de usuários são baixas e a variância é alta.
• Relações de Preditores: A análise confirmou que maior urbanização, uma maior população em idade ativa e maior intensidade de luz noturna estão positivamente associadas às proporções de usuários do Facebook. No entanto, em áreas rurais, uma maior densidade populacional foi associada a menores proporções de usuários, provavelmente refletindo disparidades socioeconômicas (pobreza) em assentamentos rurais de alta densidade.
• Correlação Espacial: O componente espacial em $M_{full}$ absorveu a variabilidade anteriormente atribuída aos preditores, resultando em menor incerteza (desvio padrão) nas distribuições preditivas posteriores.

Significância e Alegações
O artigo afirma fornecer um framework geral para converter sinais de redes sociais enviesados e censurados por privacidade em estimativas populacionais confiáveis e oportunas. Suas principais contribuições são:

1. Abordagem do Viés de Privacidade: Ele modela explicitamente o mecanismo de censuramento de privacidade diferencial em vez de ignorá-lo, demonstrando que falhar em fazê-lo leva à exclusão sistemática das populações rurais.
2. Estimativa Dinâmica: Os modelos propostos permitem atualizações regulares das previsões populacionais conforme novos dados de redes sociais ficam disponíveis (a cada 8 horas), ofereção uma complementação dinâmica às estimativas estáticas baseadas em censo.
3. Utilidade Humanitária: Ao demonstrar a capacidade de estimar estoques populacionais em resoluções espaciais finas (nível de município) em uma região propensa a desastres como as Filipinas, o trabalho oferece uma ferramenta para uma resposta humanitária mais direcionada.
4. Rigor Metodológico: O estudo destaca a necessidade de considerar a sobredispersão e a correlação espacial para obter estimativas precisas e intervalos de incerteza apropriados, indo além de simples estimativas pontuais.

Os autores mantêm uma postura modesta, reconhecendo que os modelos dependem de suposições específicas (por exemplo, estacionariedade do comportamento do usuário, a precisão dos dados do censo como verdade fundamental) e que a abordagem é mais aplicável a regiões com adoção significativa de redes sociais. Eles observam que, embora os modelos atuais utilizem preditores específicos, o framework é extensível para incluir outras fontes de dados em tempo real conforme tornem-se disponíveis.