מיון מבוסס למידת מכונה של נכיתות הטריטוריות הנשית ב‑11 מדינות באפריקה שמדרום לסהרה באמצעות נתוני סקרי דמוגרפיה ובריאות

מדוע מחקר זה חשוב

באזורים מסוימים באפריקה ובעולם, מיליוני נערות עדיין מתמודדות עם נכיתות החלקים המיניים של נשים — פרקטיקה מזיקה מאוד שיש לה השלכות גופניות ונפשיות לכל החיים. ממשלות וקהילות רוצות להפסיק זאת, אך המשאבים מוגבלים ונתונים אמינים על המקומות שבהם הסיכון גבוה יותר לקשיחות להשגה. המחקר הזה מראה כיצד כלים מודרניים לגילוי תבניות, הידועים כלמידת מכונה, יכולים לסנן סקרי בריאות רחבי היקף ולהצביע אילו אימהות, משפחות וקהילות סביר שיוכלו להמשיך את המנהג — ואיפה מאמצי מניעה יכולים להציל את כמות הנערות הגדולה ביותר מנזק.

להבין מנהג חבוי

נכיתות החלקים המיניים של נשים (FGM) כוללת פגיעה מכוונת או הסרת חלקים מן האיברים המיניות החיצוניות לנשים ממניעים שאינם רפואיים. היא מוכרת כהפרת זכויות אדם ומשויכת לבעיות קצרות טווח קשות כגון כאב, דימום כבד, זיהום ואף מוות, וכן לסיבוכים ארוכי טווח כמו קשיי לידה, בעיות פוריות וטראומה נפשית. למרות שחוק במדינות רבות אוסר על FGM, היא נשארת נפוצה בחלקים מאפריקה שמדרום לסהרה, שם לחץ חברתי, מנהגים ואמונות לגבי דת ונישואין יכולים לגבור על החוקים הרשמיים. כדי לעצב תוכניות מניעה חכמות יותר, מקבלי החלטות זקוקים לכלים שיכולים לזהות דפוסים של מי בסיכון, שמעבר לממוצעים הארציים הפשוטים.

מידע גדול מבתי אב יומיומיים

החוקרים בחרו להשתמש בסקרי דמוגרפיה ובריאות (DHS), מחקרים ייצוגיים ארציים שמבקרים אלפי בתים ושואלים נשים על חייהן ובריאותן. הם איחדו נתוני סקר עדכניים (2015–2023) מ‑62,249 נשים ב‑11 מדינות במזרח ובמערב אפריקה. כולן היו בגיל 15–49 והיו להן לפחות בת אחת. מכל אם נשאל האם כל אחת מבנותיה עברה FGM. הצוות גם איגד מידע על גיל האם, האם היא חיה באזורים כפריים או עירוניים, השכלתה ועושר הבית, מי עומד בראש המשפחה, סטטוס הסירוס שלה, גישה למדיה, מדינת המגורים שלה, והעמדות והאמונות שלה לגבי FGM — כולל האם היא רואה אותו כנדרש על‑פי דת או סבורה שהוא צריך להימשך או להיפסק. חתיכות מידע רבות אלה היו החומר הגולמי למודלים ממוחשבים שלמדו להבחין בין משפחות שבהן בנות נתחו לבין אלה שלא.

ללמד מכונות לזהות סיכון

כדי להפוך את מערך הנתונים העשיר אך המבולבל למשהו שהמחשב יכול ללמוד ממנו, הצוות ניקק, סטנדרטיזציה וקידד את התשובות כך שגם מספרים וגם קטגוריות יהיו מובנות לאלגוריתמים. הם השתמשו בטכניקה שנקראת SMOTE כדי לוודא שהמודלים לא ילמדו פשוט להעדיף את הקבוצה הגדולה יותר של משפחות שבהן הבנות לא ניכתו. לאחר מכן הם בדקו שבעה סוגי מודלי סיווג שונים, כולל גישות פשוטות כמו רגרסיה לוגיסטית וגמישות יותר כגון עצי החלטה, יערות אקראיים, מכונות וקטוריות תומכות (SVM), k‑שכנים הקרובים, נאיב בייס ו‑XGBoost. כל מודל אומן על 80% מהנתונים והוערך על ה‑20% הנותרים, באמצעות מספר מדדי ביצוע שמודדים כמה לעתים המודל צודק, כמה טוב הוא נמנע מהחמצת מקרים אמיתיים, וכמה בבירור הוא מבחין בין משפחות בסיכון גבוה לנמוך.

המודל הבולט ומה שמניע את בחירותיו

מבין כל הגישות שנבדקו, מודל היער האקראי — שיטה שמאגדת רבים מעצי ההחלטה לתחזית אחת יציבה יותר — הצטיין. הוא סיווג נכונה את האימהות בכ‑כ‑85% מהמקרים והיה חזק במיוחד בזיהוי אלה שבנותיהן הוסכמו ל‑FGM, עם יכולת גבוהה להבדיל רמות סיכון באוכלוסייה. אך דיוק בפני עצמו אינו מספיק; גורמי בריאות הציבור גם זקוקים להבנה של למה המודל מקבל את תחזיותיו. כדי לפתוח את תיבת השחור הזו, המחברים השתמשו בשיטת פרשנות שנקראת SHAP, שמשייכת לכל גורם תרומה להחלטת המודל. ארבעה רכיבים בלטו: דעת האם של האם אם FGM צריך להימשך, המדינה שבה היא חיה, האם היא עצמה עוברת FGM, והאם היא מאמינה שהמנהג נדרש על‑פי דת. אימהות שתמכו בהמשכיות ה‑FGM, חיו במדינות עם שכיחות גבוהה, היו עצמן מחוטאות, או ראו ב‑FGM חובה דתית — דיווחו עם סבירות גבוהה בהרבה על כך שבנותיהן נחתכו.

ממספרים לפעולה

ממצאים אלה מתרגמים להנחיה ברורה עבור אלה שעובדים להשגת סיום ה‑FGM. המודל מציע ששינוי עמדות בקרב אימהות — במיוחד אלו שנחתכו בעצמן ואלו שחוששות מלחץ דתי להמשיך את המנהג — עשוי להשפיע באופן משמעותי על ההגנה על נערות. הוא גם מדגיש שהסיכון משתנה בחדות בין מדינות, ולכן יש צורך באסטרטגיות מותאמות למדינה במקום קמפיינים אחידים לכל. בעוד שהמחברים מזהירים שהנתונים החתךיים אינם יכולים להוכיח סיבה ותוצאה, וכי יש להשתמש בכל חלוקות הסיכון בזהירות כדי למנוע הסטת דעה או סטיגמטיזציה של קהילות, עבודתם מראה כיצד למידת מכונה יכולה לסייע לזהות היכן חינוך, מעורבות קהילתית ופנייה מבוססת אמונה נדרשים בדחיפות. כך, כלים מתקדמים לניתוח נתונים עשויים להפוך לבעלי ברית שקטים אך חשובים במאמץ הגלובלי לשים קץ ל‑FGM ולהגן על בריאותן וזכויותיהן של נערות.

ציטוט: Gebrehana, A.K., Demoze, L., Yitageasu, G. et al. Machine learning based classification of female genital mutilation in 11 Sub-Saharan African countries using demographic and health survey data. Sci Rep 16, 9944 (2026). https://doi.org/10.1038/s41598-026-40723-z

מילות מפתח: נכיתות החלקים המיניים של נשים, למידת מכונה, אפריקה שמדרום לסהרה, נתוני בריאות ציבורית, זכויות נשים