Comunitățile din Philadelphia ajută inteligența artificială să detecteze mai bine gentrificarea
Folosind date istorice și informații de la membrii comunității, cercetătorii Drexel au dezvoltat un program de învățare automată (machine learning) care utilizează viziunea computerizată pentru a ajuta la identificarea zonelor care pot experimenta gentrificarea.
În ultimele decenii, planificatorii urbani și municipalitățile au căutat să identifice și să gestioneze mai bine dinamica socioeconomică asociată cu dezvoltarea rapidă în cartierele stabilite. Termenul "gentrificare" a fost o limbă francă pentru generațiile de urbani care au văzut comunitățile lor schimbându-se și valorile proprietăților, și taxele corespunzătoare, modificându-se în moduri care pot face dificilă rămânerea rezidenților de lungă durată. Dar identificarea târâșului său neadministrat poate fi o provocare, în special în zonele dens populate, deoarece reperele sale vizuale - cum ar fi fațadele noi, amestecurile în materiale de construcție și modificările în înălțimea clădirilor - se prezintă diferit în diferite orașe și regiuni.
În speranța de a oferi un sistem de monitorizare mai bun pentru cei care caută să atenueze efectele negative ale gentrificării, cercetătorii de la Universitatea Drexel s-au bazat pe înțelepciunea membrilor comunității din cartierele Philadelphia care au fost afectate de aceasta pentru a perfecționa un program de viziune computerizată care poate identifica și urmări în mod fiabil gentrificarea în întregul oraș.
Bazându-se pe informații din mii de imagini actuale și istorice ale orașului, înregistrări ale permiselor de construcție, precum și pe contribuția grupurilor de focus din trei cartiere identificate într-o analiză a datelor recensământului ca prezentând schimbarea socioeconomică asociată cu gentrificarea, cercetătorii au produs ceea ce se crede a fi primul program de învățare automată "deep mapping" care integrează atât date calitative, cât și cantitative pentru a identifica gentrificarea.
Cercetătorii, de la Colegiul de Inginerie Drexel, și-au prezentat recent munca și programul de identificare a gentrificării pe care l-au creat în jurnalul PLOS One. Ei indică arhitectura unică și variată a Philadelphiei și modelele de dezvoltare, densitatea locuințelor și profunzimea cunoștințelor rezidenților de lungă durată ca fiind esențiale pentru a antrena un model computerizat suficient de versatil pentru a discerne semne specifice regiunii ale gentrificării.
"În timp ce gentrificarea arată diferit în funcție de locul unde se întâmplă, oamenii care locuiesc în acele zone o pot identifica imediat", a spus Maya Mueller, studentă la doctorat la Colegiul de Inginerie, care a condus cercetarea. "Cercetarea noastră este unică prin faptul că întrebăm rezidenții cum identifică gentrificarea în cartierul lor. Apoi am încercat să învățăm modelele de învățare automată să învețe din aceste indicii pentru a cartografia unde are loc gentrificarea."
Potrivit echipei, un program ca acesta ar putea ajuta liderii comunității, planificatorii urbani și cercetătorii care încearcă să protejeze rezidenții de a fi strămutați de gentrificare, precum și împuternicirea rezidenților care lucrează pentru a-și păstra comunitățile.
"Am vrut să deschidem o discuție despre modul în care gentrificarea schimbă aceste cartiere", a spus Mueller. "Și prin această discuție, să dezvoltăm modele care într-o zi pot măsura cu exactitate viteza și magnitudinea acestor schimbări."
Pentru a crea programul, echipa a luat legătura cu rezidenții din trei cartiere din Philadelphia a căror schimbare socioeconomică s-a potrivit cu profilul gentrificării și care fuseseră identificate prin acoperire mediatică și cunoștințele cercetătorilor despre zonă. Printr-o serie de focus grupuri, echipa a aflat despre experiențele rezidenților cu gentrificarea în cartierul lor, semnele acesteia pe care le recunosc în clădiri și coridoare de afaceri și percepțiile lor despre dacă și cum a schimbat accesul la locuri și servicii în cartier.
Cu această îndrumare, echipa a creat o listă cu 16 trăsături arhitecturale și calități de construcție indicative ale gentrificării "new-build" - construcție nouă, spre deosebire de renovarea clădirilor îmbătrânite - tipul cel mai răspândit în zonele de gentrificare din Philadelphia. Lista a inclus lucruri precum clădiri "boxy", design omogen peste casele înșiruite, ferestre bombate, garduri de confidențialitate și amestec contrastant de materiale de construcție cu diferențe de culoare.
"Rezidenții din aceste zone știu gentrificarea când o văd", a spus Simi Hoque, Ph.D., profesor la Colegiul de Inginerie, care a fost co-autor al cercetării. "În focus grupurile noastre, ei au spus că aceste clădiri 'ies în evidență ca un deget mare rănit'. Așa că, a fost treaba noastră să traducem 'degetul mare rănit' într-o listă de trăsături pe care le-am putea folosi pentru a ne antrena programul."
Cercetătorii au folosit lista pentru a eticheta mai mult de 17.000 de imagini istorice ale cartierelor Philadelphia din 2009-2013, asociate cu imagini mai recente ale acelorași locuri, din 2017-2024, ca "gentrificare" sau "nu gentrificat". Aceste informații au permis echipei să antreneze un model de învățare automată a rețelei neuronale, numit ResNet-50 , care învață prin compararea variațiilor subtile în datele de antrenament pentru a identifica caracteristici sau modele importante pe care apoi le aplică pentru a identifica similarități în intrările noi. Prin procesarea deep learning și etichetarea manuală a echipei, programul a extras 1.040 de puncte de date care sunt repere vizuale ale gentrificării new-build.
Pentru a testa capacitatea programului de a detecta gentrificarea, i-au arătat seturi noi de perechi de imagini din jurul orașului. Programul a reușit să identifice corect gentrificarea new-build în imagini cu o precizie de 84%. Pentru a verifica în continuare acuratețea relativă a programului, echipa a comparat, de asemenea, auditul său cu înregistrările permiselor pentru construcții noi, care au fost folosite ca un indicator timpuriu al tendințelor de gentrificare, găsind o corelație puternică între cele două metode.
În plus față de producerea unui program precis, unul dintre obiectivele principale ale echipei a fost de a îmbunătăți transparența și de a elimina prejudecățile de percepție din proces pentru a-l face un instrument mai fiabil pentru planificatorii urbani, liderii municipali și avocații comunității.
"Modelele de învățare automată sunt notoriu 'cutie neagră', astfel încât cercetătorii nu înțeleg pe deplin de ce produc predicțiile pe care le fac", a spus Mueller. "Aceasta înseamnă că modelele de învățare automată pot învăța prejudecăți și idei incorecte și apoi pot perpetua aceste judecăți. Este important să definim clar modul în care antrenăm aceste modele, atât din motive etice, cât și pentru a face aceste modele să funcționeze mai bine și mai precis."
Potrivit cercetătorilor, ca și în cazul oricărui program de învățare automată, modelul lor ar fi îmbunătățit prin utilizarea suplimentară și expunerea la mai multe și variate date de antrenament. Dar rămâne un instrument puternic pentru cercetătorii care caută să cartografieze cu exactitate tendințele de gentrificare în zonele în care lipsesc date fiabile privind permisele și dezvoltarea.
"Cu metode și date mai fiabile cu privire la efectul gentrificării asupra mediului construit, planificatorii urbani pot obține o perspectivă asupra modului în care anumite tipuri de dezvoltare au ca rezultat efecte inechitabile, iar organizațiile pot identifica cartierele care necesită protecție împotriva strămutării", a spus Mueller. "Deși mai avem de parcurs, echipa noastră de cercetare speră că măsurătorile mai concrete ale gradului de dezvoltare nouă pot ajuta la abordarea preocupărilor rezidenților. Dezvoltarea acestui model este un pas în procesul de producere a datelor mai utilizabile."