Artificiell intelligens är en femtedel mer exakt när det gäller att förutsäga om individer sannolikt kommer att bli långsiktiga mottagare av förmåner.

En ny metod för att förutsäga välfärdsberoende, utvecklad av Dr Dario Sansone från University of Exeter Business School och Dr Anna Zhu från RMIT University, skulle kunna spara regeringar miljarder i välfärdskostnader samt hjälpa dem att göra tidigare ingripanden för att förhindra långsiktiga ekonomiska nackdelar och social utestängning.

Deras studie fann att maskininlärningsalgoritmer, som förbättras genom flera iterationer och användning av big data, är 22 % mer exakta när det gäller att förutsäga andelen tid som individer är på försörjningsstöd än standardsystemen för tidig varning.

Forskarna kunde tillämpa de vanliga algoritmerna på hela befolkningen av personer som var inskrivna i det australiensiska socialförsäkringssystemet mellan 2014 och 2018.

Detta inkluderade demografiska och socioekonomiska uppgifter om alla som fick socialbidrag från Australiens sociala trygghetssystem Centrelink, oavsett om det är på grund av arbetslöshet, handikapp, skaffa barn, eller att vara vårdare, studerande eller i pensionsåldern.

Algoritmen använde ett urval på 1 % av de cirka fem miljoner människor som registrerades i systemet i åldern 15-66 år 2014 och följde det urvalet under de kommande tre åren, övervaka om dessa individer fortfarande fick inkomststöd.

Den jämförde sedan resultaten med nuvarande metoder för att förutsäga välfärdsberoende baserat på profileringsindikatorer som sex, ålder och utbildning, försörjningsstöd historia, migrationsstatus, civilstånd, och bosättningsstat.

De fann att algoritmer för maskininlärning var 22 % effektivare för att förutsäga framtida inkomststöd än de bäst presterande benchmarkmetoderna för profilering.

Enligt författarnas beräkningar, de individer som förutspåddes vara långsiktiga välfärdssökande som använder maskininlärningsalgoritmer kostar den australiensiska staten ytterligare 1 miljard dollar AUS i välfärdsbetalningar, motsvarande cirka 10 % av det belopp den årligen lägger på arbetslöshetsersättning.

Denna större noggrannhet tillskrivs hur maskininlärningsalgoritmer kan hantera ett mycket större antal prediktiva faktorer (cirka 1, 800 totalt), vilket speglar de komplexa processer som ligger bakom välfärdsberoendet.

Forskarna säger att deras tillvägagångssätt syftar till att komplettera befintliga tidiga insatser som är inriktade på långsiktigt välfärdsmottagande.

För att implementera dessa program, regeringar måste veta vilka individer som är mest utsatta - en roll som författarna säger kan fyllas skickligt av maskininlärningsalgoritmer.

Forskarna tillägger att dessa förbättrade förutsägelser kan minska medvetna och omedvetna fördomar som är vanliga i mänskligt beslutsfattande.

Och avgörande, Tillvägagångssättet skulle vara relativt billigt att implementera eftersom det använder sig av data som redan är tillgängliga för handläggare.

Dr Dario Sansone, en lektor i ekonomi vid University of Exeter Business School, sade:"Regeringar använder alltmer maskininlärning för att ta itu med sociala problem och för att fatta resursallokeringsbeslut. Till exempel, den har använts för att hjälpa domare att förbättra besluten om borgensbeviljande, skolor för att identifiera elever som riskerar att hoppa av, och kirurger för att screena patienter för höftplastik.

"Vi fann att storleken och rikedomen av datamängden på socialförsäkringsregistrerade gör den idealisk för en maskininlärningsapplikation, tillåter algoritmerna att uppnå hög prestanda genom att detektera subtila mönster i data och genom att identifiera nya kraftfulla prediktorer.

"Dock, vi tror inte att algoritmer ska ersätta mänsklig expertis utan snarare fungera som dess komplement. Handläggare kan fokusera sin uppmärksamhet och tid på att tillhandahålla en personlig service och inrikta sig på lämpligt stöd till individer som algoritmen identifierar som mest utsatta."

"Att använda maskininlärning för att skapa ett system för tidig varning för välfärdsmottagare, " av Dr Dario Sansone och Dr Anna Zhu, publiceras som ett arbetsdokument i diskussionspappersserien IZA Institute of Labor Economics.