یک الگوریتم انتخاب می‌کند پناهجویان از کجا شروع کنند
پناهجویان اغلب برای یافتن کار در کشور میزبان دشواری دارند. به گفتهٔ مقاله، در بیست کشور اروپایی احتمال اشتغال آن‌ها حدود 12% کمتر از مهاجران مشابه است، شکافی که ده تا پانزده سال دوام می‌آورد. ماه‌ها و سال‌های نخست پس از ورود بیشترین اهمیت را دارند، و همین‌طور جایی که پناهجو در آن اسکان داده می‌شود. با این حال در بسیاری از کشورها، از جمله سوئیس، اسکان از سهمیه‌های اداری پیروی می‌کند و مقام‌ها اطلاعات اندکی دارند که هر فرد کجا بهتر از همه پیش خواهد رفت.
یک توصیه، نه یک تصمیم
در 2018، کرک بانساک، ینس هاینمولر و همکارانشان جورسازی الگوریتمی پناهجویان را پیشنهاد کردند. یک مدل یادگیری ماشین، که روی ورودی‌های گذشته آموزش دیده، پیش‌بینی می‌کند هر پناهجو در هر مکان ممکن با چه احتمالی کار پیدا می‌کند. سپس یک گام بهینه‌سازی اسکان‌هایی را توصیه می‌کند که اشتغال مورد انتظار را بیشینه کنند و در عین حال همهٔ سهمیه‌ها را رعایت کنند. یک مأمور انسانی تصمیم نهایی را در دست دارد.
تا کنون، مزایای این روش تنها با بازپخش داده‌های گذشته برآورد شده بود. این پژوهش، به رهبری بانساک (دانشگاه کالیفرنیا، برکلی)، هاینمولر (دانشگاه استنفورد) و دومینیک هانگارتنر (ETH زوریخ)، آنچه را گزارش می‌کند که نویسندگان آن را نخستین کارآزمایی تصادفی‌سازی‌شدهٔ کنترل‌شده از این رویکرد می‌دانند، که با دبیرخانهٔ دولتی مهاجرت سوئیس (SEM) و با نسخه‌ای اولیه از ابزارشان، GeoMatch، اجرا شد.
یک قرعه‌کشی کور در یک ادارهٔ واقعی
از ژانویهٔ 2020 تا ژوئن 2023، هر پروندهٔ واجد شرایط — یک خانواده یا یک بزرگسال تنها که وضعیت پناهندگی یا حمایت موقت گرفته بود و می‌توانست در هر کانتونی اسکان یابد — به‌طور رایانه‌ای و 50/50 به یکی از دو گروه واگذار شد:
- الگوریتم: کانتونی که GeoMatch پیش‌بینی می‌کرد اشتغال را بیشینه می‌کند؛
- کنترل: کانتونی که به‌طور تصادفی از میان جاهای خالی کشیده می‌شد، مانند روال معمول.
مأموران اسکان در هر دو حالت همان صفحه را می‌دیدند، و نه آن‌ها و نه پناهجویان نمی‌دانستند یک پرونده در کدام گروه است. هر گروه نسخهٔ یکسان خودش از سهمیه‌ها بر حسب کانتون و ملیت را داشت. این طراحی یک ترفند ساده را ناممکن می‌کند: الگوریتم نمی‌توانست افراد بیشتری را به کانتون‌هایی با بازار کار قوی بفرستد. تنها می‌توانست تناسب میان یک فرد و یک مکان را بهتر کند.
مدل اطلاعات بسیار اندکی داشت: جنس، سن، وضعیت تأهل، اندازهٔ خانوار، تاریخ ورود، ملیت و زبان مادری. تحصیلات، سابقهٔ کار و مهارت‌های زبانی در دفتر ثبتی که مدل از آن استفاده می‌کرد ثبت نمی‌شوند. مأموران در حدود 97% موارد از توصیهٔ نمایش‌داده‌شده پیروی کردند.
نمونهٔ نهایی: 2,000 پرونده، 2,156 بزرگسال، عمدتاً از افغانستان (54%)، ترکیه (26%) و سوریه (9%).
نتایج
پیامد اصلی، که در طرحی از پیش ثبت‌شده تعیین شده بود، سهم ماه‌هایی است که فرد در سه سال نخست شاغل بوده. در گروه کنترل، بزرگسالان به‌طور میانگین در 22.3% از این ماه‌ها کار کردند.
- همهٔ گروه‌های ورودی (2020–2023): +2.2 واحد درصد برای گروه الگوریتم، یعنی حدود 10% بیشتر، با بازهٔ اطمینانی از +0.05 تا +4.3 واحد.
- گروه‌های پس از کووید (2022–2023): +3.9 واحد، حدود 17% بیشتر. کارآزمایی چند هفته پیش از همه‌گیری آغاز شد و مدل روی داده‌های پیش از همه‌گیری آموزش دیده بود؛ برای گروه‌های 2020 و 2021 اثرها از صفر قابل تمایز نبودند. این مقایسه‌ها بر حسب گروه ورودی از پیش ثبت نشده بودند.
- رشد با گذشت زمان: 36 ماه پس از اسکان، سهم خانوارهایی که دست‌کم یک بزرگسال شاغل داشتند 5.2 واحد بالاتر بود (حدود 11%).
- شغل‌های پایدارتر: شغلی با دست‌کم شش ماه دوام، +5.6 واحد؛ قرارداد نامحدود در سه سالگی، +4.5 واحد.
ارزان، به‌عمد
با شمردن تنها مالیهٔ عمومی — مزایایی که دیگر پرداخت نمی‌شوند، به‌علاوهٔ حق بیمه‌ها و مالیات‌ها — نویسندگان هر ماه اشتغال اضافه را حدود 1,950 فرانک سوئیس ارزش‌گذاری می‌کنند. با هزینهٔ اجرایی فرضی 50 فرانک برای هر بزرگسال، آن‌ها سود خالص را حدود 1,300 فرانک برای هر بزرگسال برآورد می‌کنند، یعنی نسبتی تقریباً 27 به 1. آن‌ها اثر در سه سالگی را با اثر برنامه‌هایی مقایسه می‌کنند که صدها ساعت آموزش زبان می‌افزایند، و در عین حال تأکید می‌کنند که الگوریتم جایگزین چنین کلاس‌هایی نیست.
آن‌ها کارآزمایی را آزمونی محافظه‌کارانه می‌نامند: نسخه‌ای اولیه و منجمد از ابزار، پیش‌بینی‌کننده‌های اندک، جغرافیایی درشت‌دانه، سهمیه‌های سخت‌گیرانه، و تنها نیمی از پرونده‌ها در دسترس برای بهینه‌سازی. اینکه آیا نسخه‌های تازه‌تر و کم‌محدودیت‌تر بهتر عمل می‌کنند هنوز باید آزموده شود.
چه کسی ساخت، چه کسی آزمود
نویسندگان روش GeoMatch را خودشان توسعه داده‌اند. آن‌ها هیچ تعارض منافعی اعلام نمی‌کنند و می‌گویند برای توسعه یا اجرای ابزار هیچ پرداختی از دولت سوئیس دریافت نکرده‌اند؛ این کار با بودجهٔ دانشگاه استنفورد، بنیادها و نهادهای نیکوکاری از جمله Google.org، و یک کمک‌هزینهٔ پژوهشی اروپایی انجام شد. فراتر از پناهجویان، آن‌ها این کارآزمایی را شاهد میدانی کمیابی می‌دانند که ابزارهای پیش‌بینی می‌توانند تصمیم‌های عمومی پرمخاطره را بهتر کنند، به شرطی که از افرادی که این تصمیم‌ها را می‌گیرند پشتیبانی کنند نه اینکه جایشان را بگیرند — و یادآوری اینکه چنین ابزارهایی باید وقتی جهان تغییر می‌کند دوباره آموزش ببینند، همان‌طور که در 2020 تغییر کرد.