הערכת דרגת האחוזון של השכלה בקהילה בסין באמצעות נתוני ענק מרובי מקורות ולמידת מכונה

מדוע רמת ההשכלה בשכונה שלכם חשובה

המקום שבו אנו חיים מעצב את בתי הספר שילדינו ילמדו בהם, את בטיחות הרחובות שלנו, ואף את ערך הנדל"ן שלנו. עם זאת, בסין מידע בסיסי על רמת ההשכלה בשכונות שונות היה במשך זמן רב קשה להשגה. מחקר זה משנה את התמונה על ידי שימוש בתמונות לוויין, צילומי רחוב ואלגוריתמים מחשוביים מתקדמים כדי להעריך את רמת ההשכלה היחסית של יותר מ-120,000 קהילות ברחבי המדינה, ומציע פריזמה חדשה להבנת אי־השוויון החברתי וחיי העיר.

מעבר לספירת שנות לימוד

רוב הסטטיסטיקות משוות השכלה על ידי ספירת מספר שנות הלימוד שאנשים בילו בבית הספר. אך זה עשוי להטעות בין דורות. תעודת בגרות בעבר הוסיפה מיקום גבוה בקבוצת הגיל; היום רבים מילדיהם בעלי תארים אקדמיים. לכן המחברים משתמשים במקום זאת ב"דירוג אחוזוני חינוך", שמצביע היכן אדם עומד בתוך קבוצת הלידה שלו, מ-0 (הפחות משכיל) עד 100 (המשכיל ביותר). בדרך זו, אדם מבוגר עם השכלה חטיבתית בלבד ואדם צעיר עם תואר ראשון יכולים להיחשב כבעלי מעמד חברתי דומה אם שניהם מצויים, נניח, סביב האחוזון ה-70 של הדור שלהם.

הפיכת נוף העיר לרמזים חברתיים

כדי למפות דירוגי אחוזון חינוך ברמת הקהילה, הצוות נשען על שישה גלי סקר ארציים גדולים בנוסף למגוון רחב של "נתוני ענק" המתארים את הסביבה הבנויה. הם בחנו אילו סוגי מקומות מקיפים כל שכונה — חנויות, בתי ספר, בתי חולים, פארקים ומשרדים — כמה צפופים המבנים והדרכים, כמה מואר האזור בלילה מתמונות לוויין וכמה אנשים נוכחים בדרך כלל. מתוך מיליוני תמונות רחוב השתמשו בראייה ממוחשבת כדי למדוד שטחים ירוקים, מדרכות, תנועה, סימני שיטיון כמו זבל או גרפיטי ואפילו עד כמה הרחוב נראה לעיניים אנושיות עשיר או בטוח. הם גם שקללו פרמטרים טופוגרפיים, כגון גובה וזווית השיפוע, שכן אזורים תלולים או מרוחקים נוטים לעכב בפיתוח.

להדריך מכונות לקרוא את העיר

עם מרכיבים אלה, החוקרים אימנו מודל חזק של למידת מכונה (הנקרא XGBoost) כדי ללמוד את הקשר בין מאפיינים פיזיים של קהילה לדירוג אחוזון ההשכלה הממוצע של תושביה. הם מילאו קודם חוסרים בנתונים הסביבתיים באמצעות תהליך אימפוטציה סטטיסטי זהיר כדי שמחסורים לא יטו את התוצאות. לאחר מכן כיוונו את הפרמטרים הפנימיים של המודל דרך מאות ריצות אופטימיזציה, והעריכו ביצועים לפי עד כמה המודל יכול לנבא דירוגי חינוך לקהילות מסקר שלא נראו קודם. המודל הסופי הסביר יותר מ-90% מהשונות בין קהילות בנתוני המבחן, עם שגיאות קטנות יחסית — ביצועים חזקים יותר מניסיונות דומים במדינות אחרות.

מה המפה הלאומית החדשה חושפת

מצוידים במודל המאומן, המחברים חזו דירוגי אחוזון ממוצעים ל-122,126 קהילות ברחבי סין היבשתית בשנת 2020, וכיסו את רוב הקרקע העירונית וכארבעים וחמישה אחוזים מתושבי המדינה. מרכזי הערים בדרך כלל מופיעים כבעלי רמות ההשכלה הגבוהות ביותר, אחריהם צירי משנה ואז פרברים מרוחקים, אם כי לכל מטרופולין יש דפוס משלו. הליבה ההיסטורית של בייג'ינג, לדוגמה, אינה מארחת את האחוזונים הגבוהים ביותר, בעוד אזורי ההשכלה הגבוהה של שנג'ן פרוסים על פני מרכזים מרובים. כדי לבדוק מהימנות השוו הצוות את ההערכות שלהם לנתוני המפקד הרשמיים ולרשומות שירותי מיקום מסחריים כשהיו זמינים. ברמות פריפקטורה ומחוז, אזורים עם דירוגים חזויים גבוהים הראו גם יותר שנות לימוד במפקד. ברמת השכונה בבייג'ינג וגואנגג'ואו, המפה שלהם מתיישרת בקירוב רב עם מדדי חברותיים ומפקדיים כאחד.

מדוע זה משנה לחיי היומיום

למנסחים מדיניות, מתכננים וחוקרים, מאגר נתונים פתוח זה מציע דיוקן מפורט ועדכני של יתרון וחסרון חינוכי בערים סיניות. ניתן להשתמש בו כדי לחקור היכן נוצרות אנקלבות מעמד הביניים, עד כמה ג'נטריפיקציה התפשטה, או אילו מחוזות עשויים להזדקק לבתי ספר טובים יותר, שירותים חברתיים או תחבורה ציבורית. לקוראים כלליים, המסר המרכזי פשוט: על ידי "קריאת" הרחובות, האורות והבניינים של שכונה, כלים מודרניים מבוססי נתונים יכולים להעריך במידה מפתיעה את מעמדם החברתי של תושביה. עבודה זו אינה מחליפה מפקדים מסורתיים, אך היא מספקת דרך מהירה וזולה למלא את הפערים ביניהם ולהבין טוב יותר כיצד המקומות שאנו בונים משקפים ומחזקים את הפערים החברתיים שלנו.

ציטוט: Zhang, Y., Pan, Z., You, Y. et al. Community-level education percentile rank estimation in China using multi-source big data and machine learning. Sci Data 13, 304 (2026). https://doi.org/10.1038/s41597-026-06664-y

מילות מפתח: אי שוויון בחינוך, ערים בסין, נתוני ענק, למידת מכונה, שכונות