Usare la tecnologia per prevenire sfratti dei inquilini

In molte città, i sfratti rappresentano una sfida significativa per la stabilità abitativa. La situazione può essere molto simile a giocare a Jenga: un movimento sbagliato, e tutto crolla. Per aiutare chi è a rischio di Sfratto, c'è un bisogno urgente di programmi di sensibilizzazione efficaci. Ecco dove entrano in gioco i metodi basati sui dati.

Il nostro obiettivo è capire se l'uso della tecnologia smart possa migliorare questi programmi di sensibilizzazione. Proponiamo un nuovo framework chiamato Active Geospatial Search (AGS) che si concentra sull'identificazione delle unità in affitto che necessitano aiuto, tenendo conto dei costi di viaggio e delle Risorse limitate.

#Comprendere gli sfratti

Gli sfratti possono catapultare le persone in un vortice di instabilità, specialmente quelle nelle comunità emarginate come famiglie con bambini o mamme single. Quando una famiglia viene sfrattata, può innescare un effetto domino che aggrava la crisi abitativa, colpendo non solo l'inquilino ma anche l'intero mercato degli affitti. I dati disponibili mostrano che gli sfratti negli Stati Uniti stanno aumentando, con milioni di casi presentati ogni anno. Questo è particolarmente preoccupante perché colpisce chi può permetterselo meno.

Durante la pandemia di COVID-19, si è visto un sollievo temporaneo nei tassi di sfratto grazie a moratorie a vari livelli di governo. Tuttavia, con la revoca di queste misure, siamo tornati ad affrontare la sfida dei tassi di sfratto in aumento.

#Il bisogno di una sensibilizzazione efficace

Un modo per affrontare il problema degli sfratti è fornire risorse direttamente agli inquilini a rischio. Informazioni sulla rappresentanza legale, assistenza finanziaria e altre risorse potrebbero essere vitali per aiutare gli inquilini a rimanere nelle loro case. Tuttavia, fare campagna nei quartieri per raggiungere questi inquilini può essere faticoso e le risorse disponibili sono spesso limitate.

Quindi, come possiamo sfruttare al meglio ciò che abbiamo?

#Introducendo l'Active Geospatial Search (AGS)

Ecco dove entra in gioco il nostro framework Active Geospatial Search. AGS è progettato per aiutare i lavoratori della sensibilizzazione a cercare efficacemente famiglie che potrebbero essere a rischio di sfratto. Pensalo come una caccia al tesoro, ma invece del tesoro, l'obiettivo è trovare persone che hanno bisogno di aiuto.

Il framework AGS identifica una sequenza di proprietà da investigare, prevedendo quali unità sono a maggior rischio di sfratto. Si tratta di sfruttare al meglio il tempo e le risorse, adattandosi alle nuove informazioni man mano che arrivano.

#Come funziona AGS

AGS utilizza un approccio di apprendimento per rinforzo gerarchico. Questa frase complicata significa essenzialmente che impara dall'esperienza, adattando le sue strategie in base a ciò che funziona e a ciò che non funziona.

Immagina di essere in una caccia al tesoro con un budget. Puoi visitare solo un certo numero di case, e ognuna ti costa tempo ed energia. AGS capisce quali case hanno più probabilità di avere persone che necessitano aiuto e ti indirizza lì, tutto mentre tiene traccia del tuo budget.

#La sfida della previsione

Uno dei più grandi ostacoli in questo processo è che non sappiamo in anticipo quali famiglie sono a rischio. Possiamo usare dati storici per indovinare, ma le previsioni possono rapidamente diventare obsolete.

Questo rende importante bilanciare due approcci: esplorazione (raccolta di nuove informazioni) e sfruttamento (uso delle informazioni già in nostro possesso per trovare famiglie a rischio). AGS è progettato per trovare quel giusto equilibrio in modo efficace.

#Costruire il framework

In AGS, impostiamo varie località in un'area geografica, ciascuna rappresentante un'unità in affitto. Il sistema utilizza una politica di ricerca per decidere quali case controllare per prime, basandosi su fattori come le precedenti istanze di sfratto e altri dettagli della proprietà.

Ogni volta che una località viene controllata, si sostiene un costo, che può variare a seconda della distanza percorsa. L'obiettivo principale di AGS è massimizzare il numero di scoperte rimanendo entro il budget.

#Valutare AGS

Per vedere quanto bene funziona AGS, l'abbiamo valutato usando i dati sugli sfratti di una grande area urbana. I risultati hanno mostrato che AGS è notevolmente più efficiente nell'identificare i casi di sfratto rispetto ai metodi tradizionali.

#Risultati chiave

1. Efficienza: AGS ha superato i metodi di base, rendendolo uno strumento prezioso per la sensibilizzazione.
2. Adattabilità: La politica di ricerca può reagire alle nuove informazioni sugli sfratti man mano che arrivano.
3. Gestione del budget: AGS gestisce le risorse in modo efficiente, assicurando una massima sensibilizzazione con fondi limitati.

#Ricerca correlata

AGS si inserisce in un corpo di ricerca più ampio focalizzato sull'uso della tecnologia per affrontare questioni sociali. Metodi simili sono stati applicati in diverse aree come la risposta alle calamità, la ridistribuzione delle donazioni alimentari e altro ancora. Tuttavia, nessuno si è concentrato specificamente sulla prevenzione degli sfratti in questo modo.

#Tecniche di ricerca attiva

AGS si basa su tecniche di ricerca attiva esistenti, utilizzate per trovare specifici punti di dati in un grande dataset. Mentre i metodi tradizionali cercano istanze con etichette note, AGS deve esplorare senza conoscenze pregresse sui target.

#Ricerca attiva visiva

Un modello correlato, chiamato Ricerca Attiva Visiva (VAS), utilizza immagini per aiutare a identificare oggetti target in un'ampia area d'immagine. Tuttavia, AGS non si basa esclusivamente sui dati visivi poiché si concentra sul contesto geografico delle proprietà.

#L'approccio gerarchico

Per migliorare ulteriormente AGS, introduciamo una struttura gerarchica che divide l'area di ricerca in regioni più piccole.

1. Politica di Livello 1: Questa politica decide quale regione più ampia indagare in base a un insieme di input.
2. Politica di Livello 2: Una volta selezionata una regione, questa politica si concentra su proprietà specifiche da controllare.

Questa configurazione consente una migliore gestione di ricerche complesse in ampie aree.

#Valutare le prestazioni

Quando abbiamo testato AGS su dati reali di sfratti, ha costantemente superato i metodi tradizionali, specialmente in aree con risorse limitate.

#Variazioni nei costi di query

Abbiamo anche esaminato come i diversi costi di query influenzassero le prestazioni. In scenari in cui trovare obiettivi era più difficile, AGS ha mostrato risultati ancora più promettenti, evidenziando la sua adattabilità.

#Combinare i tipi di dati

Un aspetto interessante del nostro lavoro è stato come i dati visivi e tabulari influenzassero le prestazioni. Mentre i dati visivi possono fornire intuizioni, i dati tabulari spesso hanno un peso maggiore. Tuttavia, quando utilizzati insieme, creano uno strumento più potente per identificare le famiglie a rischio.

#Conclusione

Il framework Active Geospatial Search rappresenta un passo significativo verso il miglioramento degli sforzi di sensibilizzazione per gli inquilini a rischio di sfratto. Combinando efficacemente l'apprendimento per rinforzo con i dati geospaziali, AGS è come avere un'arma segreta nella lotta contro l'instabilità abitativa.

Man mano che andiamo avanti, è essenziale considerare non solo come queste tecnologie possano aiutare, ma anche le implicazioni etiche dell'uso dei dati per servire popolazioni vulnerabili. Con il giusto approccio, AGS potrebbe assistere notevolmente le agenzie di servizi sociali nel connettere gli inquilini con l'aiuto di cui hanno bisogno, potenzialmente risparmiandoli dal caos che gli sfratti spesso portano.

Speriamo che l'unica cosa che venga sfrattata sia il modo obsoleto di trovare gli inquilini a rischio!