Investigadores de diversas instituciones académicas han desarrollado un innovador modelo basado en redes neuronales de grafos (GNN) para mejorar la predicción de incidentes urbanos en ciudades como Nueva York. Este modelo integra datos de inspección gubernamental y reportes crowdsourced, superando las limitaciones de analizar cada uno por separado.

El principal desafío para los funcionarios de la ciudad ha sido la escasez de datos de inspección, los cuales se realizan esporádicamente para un grupo limitado de tipos de incidentes y vecindarios. Por ejemplo, en Nueva York, una calle puede ser evaluada una vez al año. Sin embargo, los informes generados por la comunidad, aunque son más frecuentes, presentan sesgos debido a diferencias demográficas en los reportes de incidentes.

Para abordar este problema, los investigadores han recopilado y estandarizado un extenso conjunto de datos compuesto por más de 9 millones de reportes de denuncia ciudadana y más de un millón de evaluaciones de inspecciones realizadas por el gobierno a lo largo de tres años. Este modelo, según las pruebas realizadas con datos reales y semisintéticos, mejora la predicción del estado latente de los incidentes, especialmente cuando los datos de calificación son escasos y los informes son predictivos.

Sorprendentemente, los análisis revelaron un sesgo demográfico en los reportes crowdsourced: vecindarios con mayores ingresos y con un mayor porcentaje de residentes blancos o con títulos universitarios reportan incidentes a tasas más altas, incluso después de controlar por la verdad latente. Este sesgo inherente en los datos de reporte puede distorsionar la asignación de recursos si no se corrige.

El enfoque desarrollado es ampliamente aplicable a otros contextos urbanos donde se dispone tanto de datos esporádicos de verdad latente como de datos frecuentemente observados pero sesgados. Este avance en la modelización de la información demuestra cómo integrar diferentes vistas y salidas de datos puede proporcionar una oportunidad para avanzar hacia una toma de decisiones urbanas más justa y eficiente.

Concluyendo, este nuevo modelo no solo mejora la precisión en la predicción de las verdaderas condiciones de los incidentes en áreas urbanas, sino que también promueve una distribución más equitativa de los recursos para las comunidades desatendidas. La incorporación de este tipo de enfoques en la planificación urbana podría marcar un antes y un después en cómo las ciudades gestionan los desafíos demográficos relacionados con la infraestructura y la calidad de vida urbana.