用于响应Covid-19的移动数据可以遗漏老年人和非白人
有关个人流动性的信息 - 他们通过智能手机衡量的地方 - 已被广泛用于设计和评估回应Covid-19的方法，包括如何瞄准公共卫生资源。然而，对于这些数据有多可靠的人来说，几乎没有注意他们拥有的有点偏见。新的研究测试了广泛使用的移动数据的可靠性和偏差，发现这些数据不太可能捕获旧的和非白色选民。根据此类信息分配公共卫生资源可能导致对高危老年人和少数群体的危害不成比例。
这项由卡内基梅隆大学(Carnegie Mellon University)和斯坦福大学(Stanford University)的研究人员开展的研究发表在《科学》杂志上ACM公平，责任和透明度会议的诉讼程序，是计算机械协会的出版物。
“年龄较大的是Covid-19相关死亡率的主要危险因素，而非洲裔美国人，美洲原住民和拉丁克社区的Covid-19案件和死亡的负担不成比例，”Amanda Coston解释说，博士生，博士生CMU的Heinz学院和机器学习部门领导了斯坦福大学监管，评估和治理实验室的夏季研究员。“如果这些人口统计团体没有很好的代表数据这些被用来为政策制定提供信息，但我们面临的风险是，制定的政策不能帮助那些面临最大风险的人，并进一步加剧在应对大流行的医疗保健方面的严重差距。”
在新冠肺炎大流行期间，流动数据被用于分析社交距离政策的有效性，说明人们的旅行如何影响病毒的传播，并探究不同经济部门如何受到社交距离的影响。然而，尽管在高风险的环境下信息已被使用，对数据的独立评估缺乏。
在这项研究中，第一次独立审计人口统计偏见研究人员对用于应对COVID-19的基于智能手机的移动数据集进行了评估，评估了SafeGraph数据的有效性。这个广泛使用的移动数据集包含来自美国约4700万台移动设备的信息。这些数据来自导航、天气和社交媒体等移动应用程序，用户在这些应用程序中选择了位置跟踪。
当Covid-19开始时，Safegraphy免费释放其许多数据，作为Covid-19数据联盟的一部分，以使研究人员，非营利组织和政府能够获得洞察力和通知答复。因此，Safegraphy的流动性数据已广泛用于大流行研究，包括由疾病控制和预防的中心，并通知总督办事处，大城市和县发布的公共卫生订单和指南。本研究的研究人员试图确定是否准确地代表更广泛的人口。
SafeGraph公开报告了其数据的代表性。但研究人员认为，由于该公司的分析仅在普查汇总水平上审查了人口偏见，并且没有解决特定于兴趣地点的人口偏见问题（例如投票的地方），是必要的独立审计。
在进行这种审计的主要挑战是缺乏人口统计信息 - 安全性数据不包含年龄和种族等人口统计数据。在这项研究中，研究人员展示了管理数据如何提供偏见审计所需的人口统计信息，补充Safegraphy收集的信息。他们使用了北卡罗来纳选民登记和投票率记录，这通常包括年龄，性别和种族的信息，以及选民在选举日的投票站旅行。他们的数据来自私人选民文件供应商，将公开可用的选民记录结合起来。总之，该研究包括来自2018年大选期间在558个地点投票的539,000名选民。研究人员认为这一示例高度代表了这种国家的所有选民。
该研究发现了SafeGraph数据中的抽样偏差，未能充分代表两个高危群体，作者称这在COVID-19大流行的背景下尤其令人担忧。具体来说，老年人和少数族裔选民不太可能被流动数据所记录。这可能导致各司法管辖区对脆弱人群分配的重要卫生资源不足，如临时测试地点和口罩。
“虽然安全性信息可以帮助人们做出政策决策，但包括先前了解当地人群的辅助信息，也应该用于制定关于分配资源的政策决策，”统计数据和公共政策的统计和公共政策助理教授研究。
作者还要求更多的工作来确定如何移动数据可以更具有代表性，包括要求提供这类数据的公司在包括其数据来源方面更加透明(例如，确定哪些智能手机应用程序被用于访问这些信息)。
在这项研究的局限性中，作者指出，在美国，选民往往年龄较大，其中白人的比例高于普通人口，因此该研究的结果可能低估了普通人口中的抽样偏差。此外，由于SafeGraph出于隐私原因向研究人员提供了数据的汇总版本，研究人员无法在单个选民层面测试偏见。相反，作者们在实际感兴趣的地方测试了偏见，发现证据表明，SafeGraph更有可能捕捉到以白人为主的年轻游客经常光顾的地方，而不是以非白人为主的年长游客经常光顾的地方。
更一般地，该研究显示了管理数据如何用于克服缺乏人口统计信息，这是进行偏见审核的常见障碍。
用户评论