基于卫星图像与机器学习的贫困与福利领域知识提取

人工智能和机器学习的最新进展在如何衡量人类发展指标（尤其是基于资产的贫困）方面带来了阶跃性变化。卫星图像与机器学习的结合能够以与面对面访谈和家庭调查等主流方法相当的水平来估算贫困。除了静态估算之外，一个日益重要的问题是这项技术能否促进科学发现，从而在贫困与福利领域产生新知识。实现科学洞察的基础是领域知识，而领域知识又转化为可解释性和科学一致性。我们回顾了文献，重点关注与此相关的三个核心要素：透明度、可解释性和可解释性，并研究了它们如何与贫困、机器学习和卫星图像这一关联领域相联系。我们对领域的回顾表明，可解释机器学习的三个核心要素（透明度、可解释性和领域知识）的现状各不相同，并未完全满足科学洞察和发现的要求。我们认为，可解释性对于支持这项研究的更广泛传播和接受至关重要，并且可解释性不仅仅意味着可解释性。