Les modèles d’intelligence artificielle visent à prévoir les expulsions et à promouvoir les droits des locataires

Deux modèles basés sur l’intelligence artificielle conçus par des chercheurs du Penn State College of Information Sciences and Technology pourraient aider à promouvoir les droits des locataires à faible revenu aux États-Unis face à une expulsion forcée. Les deux modèles visent à prévoir où et combien de locataires pourraient être menacés d’expulsion afin de mieux éclairer l’élaboration des politiques et l’allocation des ressources.

Le premier modèle des chercheurs, « Une aide faiblement supervisée pour soulager le taux d’expulsion à l’échelle nationale », aide à identifier les zones où il pourrait y avoir une forte concentration d’individus menacés d’expulsion. Pour identifier ces points chauds, leur cadre utilise des données sociologiques – telles que les caractéristiques éducatives et financières des locataires qui sont historiquement associées à l’instabilité du logement – pour étiqueter les données satellites en fonction de certaines caractéristiques de chaque image, telles que la présence d’arbres et des signes de gentrification. Ces données sont utilisées pour former un modèle d’apprentissage automatique, qui identifie les points chauds de dépôt d’expulsion dans d’autres endroits.

« Tous les États ne mettent pas à disposition des données sur l’instabilité du logement et les taux d’expulsion, et il y a un coût élevé pour collecter ces données lorsqu’elles sont même disponibles », a déclaré Amulya Yadav, professeure adjointe en développement de carrière au PNC et co-auteur de l’étude. « Notre modèle présente une nouvelle approche en utilisant d’autres points de données liés aux dossiers d’expulsion pour créer des rapports plus efficaces et précis qui sont hautement généralisables à différents comtés à travers le pays. »

Le deuxième modèle, « Modèle multi-vues prévoyant le nombre de locataires à risque d’expulsion formelle », vise à fournir une prévision précise des locataires à risque d’expulsion à un certain moment dans le futur.

Dans une approche similaire, le modèle utilise des données provenant des dossiers d’expulsion disponibles, de l’enquête sur la communauté américaine du recensement américain et des statistiques sur le travail et l’emploi pour estimer le nombre de locataires susceptibles d’être expulsés dans chaque secteur de recensement.

Grâce à une collaboration avec le Child Poverty Action Lab, une organisation à but non lucratif de premier plan exploitant des approches basées sur les données pour éclairer les actions visant à soulager les problèmes liés à la pauvreté dans le comté de Dallas, au Texas, l’équipe a testé les deux modèles par rapport à un ensemble de données du monde réel dans ce comté, où les dossiers d’expulsion sont plus complets et facilement accessibles. Les modèles se sont avérés plus précis que les modèles de base existants, surpassant certains jusqu’à 36 %.

« Il existe des ressources disponibles pour aider les locataires confrontés à l’instabilité du logement, mais elles sont allouées avec une énorme variabilité – et parfois elles ne sont pas du tout utilisées », a déclaré Maryam Tabar, doctorante et auteure principale de l’étude. « Il est nécessaire d’utiliser ces fonds et ressources plus efficacement, ce qui est possible grâce à une prévision plus précise des expulsions potentielles. »

L’équipe a présenté le modèle « Weakly-supervised Aid to Relieve Nationwide Eviction Rate » à la 31e Conférence internationale de l’ACM sur la gestion de l’information et des connaissances et le modèle à vues multiples prévoyant le nombre de locataires à risque d’expulsion formelle à la 31e Conférence conjointe internationale sur l’intelligence artificielle à la fin de l’année dernière.

Les deux modèles sont évalués par des experts en la matière pour un déploiement pilote sur le terrain. L’équipe a déclaré qu’elle espérait pouvoir aider les organisations non gouvernementales et les décideurs politiques à prendre davantage de décisions basées sur les données sur l’allocation des ressources pour mieux lutter contre l’instabilité du logement, ainsi qu’à soutenir les efforts de plaidoyer auprès des élus et des agences liés à l’instabilité du logement.

« L’expulsion a un impact disproportionné sur les personnes issues de milieux sous-représentés et peut exacerber les problèmes de société existants liés à la disparité des revenus, au niveau d’instruction et à la santé mentale », a déclaré Dongwon Lee, professeur et co-auteur de l’étude. « Ces modèles peuvent nous aider à mieux relever ces défis et à améliorer la vie des personnes vulnérables à l’expulsion. »