image: A GIF describing the algorithm developed by Bansak <i>et al</i>. This material relates to a paper that appeared in the 19 January 2018 issue of <i>Science</i>, published by AAAS. The paper, by K. Bansak at Stanford University in Stanford, CA, and colleagues was titled, "Improving refugee integration through data-driven algorithmic assignment." view more
Credit: Carla Schaffer, AAAS
一种基于机器学习的算法可比目前的方法更大幅度地改善难民的就业前景，令他们过渡到对新家园感到习惯变得更为容易。在经历了战争和多年的流离失所之后，难民在到达新国家时缺少资源，他们必须对一个不熟悉的社会做出调整适应。他们面临的许多挑战包括，难民常常会在到达新的家园后经历多年的就业水平低下的困境。为了提高难民的成功就业，Kirk Bansak等研发出了一种算法，它将受到督导的机器学习与优化配对相结合，并根据每个人的技能，让这些难民与其最佳的就业地点对口。例如，将说法语的难民搬迁到法语区时会比将其搬迁到德语区令他们受益更大。该算法受到历史数据应用的训练，这些历史数据抓住了难民的背景特征（例如，出生国家、语言技能、性别、年龄等）、到达时间、被分配安置的地方及成功就业的检测指标等。为了检测其算法的性能表现，研究人员使用了来自两个国家（美国和瑞士）历史登记的最近数据，这两个国家有着不同的难民分配制度和难民人数。他们发现，在美国，与目前的分配做法相比，应用该算法可将难民就业前景提升41%，而在瑞士，它能将目前的就业前景提升71%。作者说，这些改善几乎不会令收容难民国家的政府增加什么开支。这些结果为政府提供了一种实用工具，它比目前的做法更能帮助难民的融入。
###
Journal
Science