از میان کاربردهای بی‌شمار هوش مصنوعی (AI)، استفاده از آن در کمک‌های بشردوستانه دست کم گرفته شده است. در سال 2020، در طول همه‌گیری کووید-19، دولت توگو از ابزارهای هوش مصنوعی برای شناسایی ده‌ها هزار خانوار نیازمند پول برای خرید غذا استفاده کرد، همانطور که Nature در یک گزارش خبری در این هفته گزارش می‌دهد. به طور معمول، گیرندگان بالقوه چنین پرداختی‌ها زمانی شناسایی می‌شوند که برای طرح‌های رفاهی درخواست می‌دهند، یا از طریق بررسی‌های خانگی درآمد و هزینه. اما چنین بررسی‌هایی در طول همه‌گیری امکان‌پذیر نبود، و مقامات نیاز داشتند تا وسایل جایگزینی برای کمک به نیازمندان پیدا کنند. محققان از یادگیری ماشین برای جستجو در تصاویر ماهواره‌ای مناطق کم‌درآمد استفاده کردند و آن دانش را با داده‌های شبکه‌های تلفن همراه ترکیب کردند تا گیرندگان واجد شرایط را پیدا کنند، که سپس یک پرداخت منظم از طریق تلفن خود دریافت کردند. استفاده از ابزارهای هوش مصنوعی به این شکل یک تغییر دهنده بازی برای کشور بود.
اکنون، با پایان همه‌گیری، محققان و سیاست‌گذاران همچنان در حال بررسی این موضوع هستند که چگونه می‌توان از روش‌های هوش مصنوعی در کاهش فقر استفاده کرد. این امر نیازمند داده‌های جامع و دقیق در مورد وضعیت فقر در خانوارها است. به عنوان مثال، برای اینکه بتوان به خانواده‌های فردی کمک کرد، مقامات باید از کیفیت مسکن آنها، رژیم غذایی فرزندانشان، تحصیلات آنها و اینکه آیا نیازهای اساسی بهداشتی و درمانی خانواده‌ها برآورده می‌شود، اطلاع داشته باشند. این اطلاعات معمولاً از طریق نظرسنجی‌های حضوری به دست می‌آید. با این حال، محققان شاهد کاهش نرخ پاسخگویی در هنگام جمع‌آوری این داده‌ها بوده‌اند.
داده‌های گمشده
جمع‌آوری داده‌های مبتنی بر نظرسنجی می‌تواند به ویژه در کشورهای کم‌درآمد و با درآمد متوسط (LMIC) چالش‌برانگیز باشد. انجام نظرسنجی‌های حضوری پرهزینه است و اغلب آسیب‌پذیرترین افراد، مانند پناهندگان، افراد ساکن در مسکن غیررسمی یا کسانی که از طریق اقتصاد نقدی امرار معاش می‌کنند را از دست می‌دهد. برخی از مردم به دلیل ترس از عواقب زیان‌آور - برای مثال، اخراج در مورد مهاجران غیرقانونی - تمایلی به شرکت ندارند. اما تا زمانی که نیازهای آنها شناسایی نشود، کمک به آنها دشوار است.
آیا هوش مصنوعی می‌تواند راه حلی ارائه دهد؟ پاسخ کوتاه این است که بله، البته با ملاحظاتی. مثال توگو نشان می‌دهد که چگونه رویکردهای مبتنی بر هوش مصنوعی با ترکیب دانش مناطق جغرافیایی نیازمند با داده‌های فردی‌تر از تلفن‌های همراه، به جوامع کمک کرد. این یک مثال خوب از این است که چگونه ابزارهای هوش مصنوعی به خوبی با داده‌های دقیق در سطح خانوار کار می‌کنند. محققان اکنون در حال تمرکز بر روی یک منبع نسبتاً استفاده نشده برای چنین اطلاعاتی هستند: داده‌های جمع‌آوری شده توسط دانشمندان شهروند، که به عنوان دانشمندان جامعه نیز شناخته می‌شوند. این ایده شایسته توجه بیشتر و بودجه بیشتری است.
به لطف فناوری‌هایی مانند تلفن‌های هوشمند، Wi-Fi و 4G، انفجاری از افراد در شهرها، شهرک‌ها و روستاها وجود داشته است که داده‌های اجتماعی و زیست‌محیطی خود را جمع‌آوری، ذخیره و تجزیه و تحلیل می‌کنند. به عنوان مثال، در غنا، محققان داوطلب در حال جمع‌آوری داده‌های مربوط به زباله‌های دریایی در امتداد خط ساحلی هستند و این دانش را به آمار رسمی کشور خود کمک می‌کنند.
همکاری شهروندان
در دسامبر گذشته، گروهی از دانشمندان داده در یک مقاله دیدگاه در Nature Sustainability استدلال کردند که این داده‌ها می‌تواند توسط سیاست‌گذاران در ارتباط با ابزارهای هوش مصنوعی مورد استفاده قرار گیرد (D. Fraisl et al. Nature Sustain. 8, 125–132; 2025). در این مقاله، دیلک فرایسل، از مؤسسه بین‌المللی تجزیه و تحلیل سیستم‌های کاربردی در لاکسنبورگ، اتریش، و همکارانش خواستار مشارکت بین محققان هوش مصنوعی و دانشمندان شهروند شده‌اند.
به نظر می‌رسد نویسندگان در حال هل دادن یک در باز هستند. سازمان‌های بین‌المللی مانند کمیسیون آماری سازمان ملل متحد، که استانداردهای اندازه‌گیری آمار رسمی را تعیین می‌کند، خواهان مشارکت بیشتر دانشمندان شهروند در ارائه داده‌ها، مانند اهداف توسعه پایدار سازمان ملل متحد (SDGs)، طرح جهانی برای پایان دادن به فقر و دستیابی به پایداری زیست‌محیطی هستند. جمعیت‌های دور از دسترس همچنان به طور ضعیفی در گزارش‌های پیشرفت SDG نشان داده می‌شوند، و سازمان ملل علم شهروندی و داده‌های شهروندی را به عنوان یک راه حل بالقوه می‌بیند.
اما ایجاد چنین مشارکت‌های نزدیکی نیازمند بودجه است، هم در حمایت از تلاش‌های جمع‌آوری داده‌های شهروندان، و هم در ارتقای آنها به سطح بعدی با ابزارهای هوش مصنوعی. این می‌تواند در زمانی چالش‌برانگیز باشد که ایالات متحده، که بزرگترین تأمین کننده مالی ملی داده‌ها و آمار در LMICها است، در حال خروج از تعهدات بین‌المللی است، از جمله خروج از سازمان بهداشت جهانی و مسدود کردن کمک‌های خارجی. بودجه برای آمار رسمی پس از همه‌گیری شروع به تثبیت کرد، اما اگر ایالات متحده عقب‌نشینی کند، آینده کمتر قطعی خواهد بود (به «دلار داده» مراجعه کنید).
ادغام هوش مصنوعی با داده‌های شهروندی مزایای بسیاری دارد. برای مثال، این امر جوامع را قادر می‌سازد تا مالکیت اطلاعات خود را بر عهده بگیرند، با این علم که این داده‌ها متعلق به خودشان است که در حال جمع‌آوری و ذخیره آن هستند، و اینکه داده‌ها توسط شخص ثالث نگهداری نخواهد شد. آمار شهروندی دقیق و به خوبی تنظیم شده نیز می‌تواند کیفیت ابزارهای هوش مصنوعی را بهبود بخشد، که اغلب تعصبات یا نادرستی‌های موجود در داده‌های آموزشی خود را تداوم می‌بخشند. استفاده از هوش مصنوعی همچنین این پتانسیل را دارد که تجزیه و تحلیل این داده‌ها را تسریع بخشد.
هوش مصنوعی باید به گونه‌ای مستقر شود که مزایا را به حداکثر برساند و خطرات را کاهش دهد یا کاهش دهد. این امر به ویژه در هنگام استفاده از هوش مصنوعی که شامل افرادی است که آسیب‌پذیر هستند یا در فقر زندگی می‌کنند، مهم است. هوش مصنوعی باید زندگی آنها را بهتر کند و آنها را در معرض آسیب‌های بیشتر یا متفاوت قرار ندهد.
داده‌های علم شهروندی ممکن است همان دارویی باشد که پزشک تجویز کرده است. همه کسانی که در این تحقیق شرکت می‌کنند باید تشویق شوند و خود تحقیق باید به طور مناسب تأمین مالی شود.