Humanidades
Cientistas propõem abordagem de aprendizado de máquina para resolver o problema de insegurança alimentar do mundo
Pesquisadores de um artigo recente publicado pela Nature Food sugerem um método que, segundo eles, permitirá aos tomadores de decisão tomar decisões mais oportunas e informadas sobre políticas e programas voltados para o combate à fome.
Por
Universidade da Europa Central - 19/09/2022
O aprendizado de máquina pode orientar os esforços de segurança alimentar quando os dados primários não estão disponíveis. Previsões que diferem do valor observado em no máximo ± 5 pontos de prevalência são classificadas como corretas. Prevalências previstas >40% (<40%) quando a prevalência observada é <40% (>40%) são classificadas como alta superestimação (subestimativa). As demais regiões são classificadas como baixa sub e superestimação. A linha preta sólida indica onde os pontos cairiam se todos os valores previstos coincidissem perfeitamente com os observados, e as linhas diagonais tracejadas cinza indicam uma distância de ± 5 pontos de prevalência a partir dele. As linhas horizontais e verticais tracejadas em cinza indicam os limites de prevalência de 40%. Crédito: Nature Food (2022). DOI: 10.1038/s43016-022-00587-8
Pesquisadores de um artigo recente publicado pela Nature Food sugerem um método que, segundo eles, permitirá aos tomadores de decisão tomar decisões mais oportunas e informadas sobre políticas e programas voltados para o combate à fome.
Em 2021, 193 milhões de pessoas em 53 países estavam com insegurança alimentar aguda. Esse número vem aumentando constantemente nos últimos anos, também como consequência da pandemia do COVID-19. Para abordar esta questão global, é fundamental monitorar a situação e sua evolução.
Governos e organizações humanitárias realizam avaliações de segurança alimentar regularmente por meio de pesquisas presenciais e remotas por telefone celular. No entanto, essas abordagens têm altos custos em recursos monetários e humanos e, portanto, os dados primários sobre a situação da segurança alimentar nem sempre estão disponíveis para todas as áreas afetadas. No entanto, essas informações são fundamentais para governos e organizações humanitárias .
Para resolver esse problema, pesquisadores do artigo da Nature Food propõem uma abordagem de aprendizado de máquina para prever o número de pessoas com consumo insuficiente de alimentos quando medidas diretas atualizadas não estão disponíveis. “Também propomos um método para identificar quais variáveis ??estão impulsionando as mudanças observadas nas tendências previstas, o que é fundamental para tornar as previsões úteis aos tomadores de decisão ”, diz a professora assistente Elisa Omodei (Departamento de Rede e Ciência de Dados, CEU, Viena).
O método proposto usa um algoritmo de aprendizado de máquina para estimar a situação atual de insegurança alimentar em uma determinada área a partir de dados sobre os principais fatores de insegurança alimentar: conflitos, extremos climáticos e choques econômicos. Os resultados mostram que a metodologia proposta pode explicar até 81% da variação do consumo alimentar insuficiente.
Pesquisadores afirmam que sua abordagem abre as portas para a segurança alimentar em tempo quase real em escala global, permitindo que os tomadores de decisão tomem decisões mais oportunas e informadas sobre políticas e programas voltados para o combate à fome, no esforço de tentar alcançar os ODS 2 da Agenda 2030 para o Desenvolvimento Sustentável.
