Beyond Eviction Prediction: Leveraging Local Spatiotemporal Public Records to Inform Action
作者: Tasfia Mashiat, Alex DiChristofano, Patrick J. Fowler, Sanmay Das
分类: cs.LG, cs.AI
发布日期: 2024-01-27
💡 一句话要点
利用地方时空公共记录提升驱逐风险预测的有效性
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 驱逐风险预测 社会服务 公共政策 数据驱动决策 机器学习 外展策略 邻里特征 时空数据
📋 核心要点
- 现有的驱逐预测方法主要关注预测准确性，但未能有效指导实际的援助行动。
- 本文提出了一种新的方法，通过结合物业、驱逐和业主信息生成风险评分，以优化外展政策。
- 实验结果显示，使用风险评分的外展策略能在相同时间内覆盖更多高风险物业，提升了干预效率。
📝 摘要（中文）
近年来，基于驱逐风险对物业进行评分的研究引起了广泛关注。现有的驱逐预测方法通常通过不同的预测准确性指标进行评估，但其根本目标是为高风险家庭提供适当的援助，以确保他们的稳定居住。因此，本文探讨了这些预测在目标外展工作中的实用性。我们使用一个新颖的数据集，结合物业、驱逐和业主信息，进行驱逐预测任务，生成风险评分，并利用这些评分规划有针对性的外展政策。研究表明，风险评分确实有效，使得理论上的个案工作团队能够在相同时间内接触到更多高驱逐风险物业，相较于基于邻里或近期驱逐历史的外展政策。我们还讨论了邻里和所有权特征在风险预测和目标外展中的重要性。
🔬 方法详解
问题定义：本文旨在解决如何有效利用驱逐风险预测来指导实际的援助行动。现有方法在预测准确性上表现良好，但缺乏对实际外展工作的指导性。
核心思路：论文的核心思路是通过构建一个包含物业、驱逐和业主信息的综合数据集，生成驱逐风险评分，并利用这些评分来制定更有效的外展策略。这样设计的目的是为了确保高风险家庭能够获得及时的帮助。
技术框架：整体架构包括数据收集、风险评分生成和外展策略制定三个主要模块。首先，收集相关的公共记录数据；其次，利用机器学习模型生成驱逐风险评分；最后，根据评分制定有针对性的外展政策。
关键创新：最重要的技术创新在于将地方时空公共记录与驱逐风险预测相结合，形成了一种新的评估和干预框架。这与传统的仅依赖历史驱逐数据的方法有本质区别。
关键设计：在模型设计中，采用了多种特征，包括邻里特征和所有权特征，以提高风险预测的准确性。同时，损失函数的选择也考虑了实际干预的有效性，以确保模型不仅关注预测准确性，还能指导实际行动。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于风险评分的外展策略能够在相同时间内接触到更多高风险物业，相较于传统的邻里或历史驱逐策略，提升了干预效率。具体而言，理论上的个案工作团队能够覆盖的高风险物业数量显著增加，验证了该方法的有效性。
🎯 应用场景
该研究的潜在应用领域包括社会服务、城市规划和公共政策等。通过优化驱逐风险预测与外展策略的结合，可以更有效地为高风险家庭提供支持，减少社会不平等现象，提升社区稳定性。未来，该方法还可以扩展到其他社会服务领域，如住房援助和社会福利分配。
📄 摘要（原文）
There has been considerable recent interest in scoring properties on the basis of eviction risk. The success of methods for eviction prediction is typically evaluated using different measures of predictive accuracy. However, the underlying goal of such prediction is to direct appropriate assistance to households that may be at greater risk so they remain stably housed. Thus, we must ask the question of how useful such predictions are in targeting outreach efforts - informing action. In this paper, we investigate this question using a novel dataset that matches information on properties, evictions, and owners. We perform an eviction prediction task to produce risk scores and then use these risk scores to plan targeted outreach policies. We show that the risk scores are, in fact, useful, enabling a theoretical team of caseworkers to reach more eviction-prone properties in the same amount of time, compared to outreach policies that are either neighborhood-based or focus on buildings with a recent history of evictions. We also discuss the importance of neighborhood and ownership features in both risk prediction and targeted outreach.