Una IA predice las tasas de desempleo y se anticipa a los datos oficiales

Un modelo de IA utiliza las publicaciones en las redes sociales para predecir las tasas de desempleo en una región hasta dos semanas antes de la publicación de los datos oficiales de los gobiernos, según un nuevo estudio.

Una Inteligencia Artificial (IA) que analiza publicaciones en redes sociales como X (ex-Twitter) puede anticipar las cifras de desempleo oficiales con varios días de ventaja, según un estudio publicado en la revista PNAS Nexus y liderado por científicos de la Universidad de Nueva York, en Estados Unidos.

El sistema, denominado JoblessBERT, plantea nuevas herramientas y dilemas para la medición económica. El modelo es un clasificador basado en arquitecturas de transformador, diseñado para reconocer declaraciones de pérdida de empleo incluso cuando aparecen con jerga, abreviaturas o errores ortográficos.

Cómo funciona el modelo JoblessBERT

Los investigadores entrenaron al modelo de IA con datos procedentes de 31,5 millones de usuarios que publicaron contenidos entre 2020 y 2022, aplicando ajustes demográficos para optimizar la representatividad de la muestra. Esa metodología permitió convertir menciones individuales en estimaciones agregadas de solicitudes de subsidio por desempleo a nivel nacional, estatal y municipal y elaborar previsiones comparables con series administrativas tradicionales.

Según una nota de prensa, en las evaluaciones JoblessBERT detectó casi tres veces más publicaciones relacionadas con pérdidas de empleo que enfoques previos basados en reglas, y al incorporar esas señales en modelos de pronóstico redujo el error en un 54,3 % frente al consenso de la industria.

Además, la herramienta consiguió anticipar variaciones en las solicitudes de desempleo hasta dos semanas antes de la publicación de las cifras oficiales en episodios clave, incluida la oleada de despidos de marzo de 2020 durante la pandemia por COVID-19.

Aplicaciones para gobiernos, bancos centrales y analistas

Esa ventaja temporal tiene aplicaciones prácticas de gran importancia: oficinas de estadísticas, bancos centrales y responsables de políticas públicas podrían recibir alertas tempranas sobre aumentos bruscos del paro y adaptar respuestas de emergencia con mayor rapidez.

Al mismo tiempo, consultoras y analistas privados podrían mejorar la efectividad de sus modelos, mientras que las organizaciones que prestan asistencia social podrían focalizar recursos de forma más ágil. A pesar de estas ventajas, los autores subrayan que estas señales deben entenderse como un complemento de las fuentes administrativas, no como un sustituto.

Por ejemplo, las plataformas sociales no representan a toda la población: existen sesgos por edad, nivel socioeconómico, región y conducta en línea, que requieren correcciones continuas y validación independiente. Frente a estos desafíos, los investigadores proponen la combinación de múltiples fuentes de datos para mitigar sesgos y reducir falsos positivos, entre otras medidas.