Las señales de desempleo aparecen en las "publicaciones": las redes sociales reflejan la economía más rápido que las estadísticas oficiales.

¿Dónde está la "realidad más rápida que las estadísticas"?

Las estadísticas de empleo, como la tasa de desempleo y las solicitudes de seguro de desempleo, son termómetros de la economía. Sin embargo, estos termómetros tardan en medir, registrar, compilar y publicar los datos. Cuanto más temprano es la fase de una crisis, más doloroso es ese "retraso".

Entonces, ¿no hay una manera de captar "señales de desempleo" antes de los datos oficiales? Los investigadores han puesto su atención en las palabras crudas que se vierten en las redes sociales. "Perdí mi trabajo", "Rechazado en la entrevista", "Buscar trabajo es difícil". Estas expresiones pueden no ser solo quejas, sino que podrían convertirse en "noticias de última hora" económicas. Phys.org

Puntos clave de la investigación: Lo que hizo JoblessBERT

El estudio actual (PNAS Nexus) propone un marco para detectar "autorrevelaciones de desempleo" en publicaciones de redes sociales utilizando IA, y predecir las solicitudes de seguro de desempleo en EE.UU. hasta con dos semanas de antelación. El modelo se llama JoblessBERT. Es un clasificador Transformer basado en BERT ajustado específicamente para detectar autorrevelaciones relacionadas con el desempleo. Phys.org

Hay dos puntos importantes.
(1) No perder la diversidad de publicaciones: Captura desde jerga y errores tipográficos hasta expresiones coloquiales (ejemplo: frases como "needa job"). En comparación con el método tradicional basado en reglas de "incluir 75 frases específicas", encuentra muchas más "autorrevelaciones de desempleo" manteniendo la misma precisión. OUP Academic

(2) Corregir el sesgo de las redes sociales para convertirlo en un "índice": Las redes sociales no son la población en su totalidad. Por lo tanto, utilizando las características estimadas de los usuarios y las estimaciones demográficas del censo, se corrige el sesgo de los autores de las publicaciones (postestratificación) para crear un "Índice de Desempleo de Twitter" que se incorpora al modelo estadístico. OUP Academic

¿Con qué datos se entrenó?

El equipo de investigación utilizó publicaciones públicas recopiladas entre enero de 2020 y diciembre de 2022 de 31.5 millones de usuarios basados en EE.UU.. Se enfocaron en usuarios cuyo perfil indicaba una ubicación dentro de EE.UU., y también expandieron la muestra mediante una recolección "bola de nieve" basada en relaciones de mención. OUP Academic

Además, JoblessBERT en sí fue entrenado con 8,838 publicaciones etiquetadas, refinando su rendimiento a través del aprendizaje activo (un proceso que prioriza la etiquetación adicional de publicaciones inciertas). OUP Academic

No basta con "detectar bien": la barrera de la representatividad

Si se van a utilizar datos de redes sociales para políticas, el mayor enemigo es el "sesgo". Personas que publican y personas que no. El uso real está sesgado hacia ciertos grupos de edad o regiones. Y no todos los desempleados necesariamente lo expresan en redes sociales.

La investigación aborda este punto directamente, introduciendo correcciones para alinear con la demografía al estimar edad, género y ubicación a partir de la información de perfil. Para la estimación de edad y género, se utilizó un modelo de aprendizaje profundo que emplea imágenes de perfil y metadatos (también se implementan estrategias de imputación para casos donde no se puede estimar). OUP Academic

Este es un punto que puede dividir opiniones incluso en redes sociales. Como se mencionará más adelante, mientras que algunos reaccionan con temor a la estimación de atributos a partir de imágenes para mejorar la precisión, otros defienden que la anonimización y agregación pueden beneficiar al público.

¿Cuánto mejoró la precisión?

El artículo compara primero el rendimiento en la detección de autorrevelaciones. Mientras que el enfoque basado en reglas tiene alta precisión pero baja recuperación, JoblessBERT mantiene una alta precisión similar, mejorando significativamente la recuperación, reportando que recoge "aproximadamente tres veces más publicaciones relevantes que el método anterior". Además, al ampliar el rango de expresiones, aumenta el número de "usuarios capturables", contribuyendo a que la muestra de desempleados sea más representativa. OUP Academic

En cuanto a las predicciones, se evaluó la capacidad de anticipar las solicitudes de seguro de desempleo antes de su publicación (hasta dos semanas antes), mejorando el RMSE en un 54.3% en comparación con las predicciones de consenso del sector. OUP Academic

Lo que significa haber detectado antes el "aumento repentino" al inicio del COVID

Este estudio ilustra de manera emblemática el drástico cambio de marzo de 2020. En la semana inmediatamente posterior a la declaración de pandemia, las solicitudes de UI se dispararon de alrededor de 250,000 a 2.9 millones. Mientras que las predicciones de consenso no lograron prever este aumento, el modelo que incorporó el índice de redes sociales "detectó" el cambio y elevó significativamente sus valores previstos. El modelo JoblessBERT predijo 2.66 millones dos días antes del final de la semana y 2.8 millones un día antes de la publicación, acercándose bastante a los 2.9 millones reales. OUP Academic

Lo importante aquí no es que "las redes sociales sean omnipotentes", sino que se ha demostrado la **"inmediatez efectiva en la fase inicial de una crisis"**. Es más valioso en momentos de ruptura que en tiempos de estabilidad económica. En situaciones donde las medidas políticas (subsidios adicionales, apoyo municipal, aumento de ventanillas, etc.) "funcionan mejor incluso si se implementan una semana antes", las señales derivadas de las redes sociales se vuelven atractivas.

No solo "nacional": la ambición a nivel estatal y urbano

El dolor del empleo no se ve fácilmente en el promedio nacional. La estructura industrial, los alquileres y la proporción de inmigrantes varían. El artículo evalúa el modelo a nivel estatal y urbano, mostrando el potencial para un monitoreo subnacional. Phys.org

Si esto puede implementarse, podríamos identificar "en qué ciudad y en qué sector está ocurriendo el shock" más rápido que las estadísticas oficiales.

Sin embargo, el mayor debate es si se convertirá en "vigilancia"

Una pregunta que surge fácilmente en las reacciones de las redes sociales es:

• ¿Recopilar "autorrevelaciones" de desempleo no equivale a rastrear a personas vulnerables?

• ¿No podría la estimación de atributos (edad, género) a partir de imágenes llevar a la identificación personal?

• ¿No podrían los gobiernos o empresas usarlo "a su conveniencia", no para apoyo sino para selección?

El artículo, teniendo en cuenta estas preocupaciones, discute el acceso "responsable" a señales anonimizadas, la colaboración con plataformas y la regulación. En resumen, se necesita un sistema que permita el uso para propósitos públicos, protegiendo la privacidad, para investigación y monitoreo, en lugar de un estado de "acceso total". OUP Academic

La realidad de la dependencia de la plataforma: la debilidad de ser Twitter (X)

Otro punto de crítica en las redes sociales es: "¿No se basa todo esto en Twitter (X)?" Los usuarios cambian, y las especificaciones y disponibilidad de la API también fluctúan. El artículo enfatiza que es una "demostración en un período y plataforma específicos", presentándolo como un "marco adaptable" en lugar de una herramienta universal. OUP Academic

Esto significa que en el futuro será necesario trasladarse a otras redes sociales (Reddit, Threads, redes sociales locales, etc.) o a otras regiones lingüísticas. Esto es "interesante como investigación", pero también "difícil de implementar como política".

Reacciones en redes sociales (resumen por puntos de debate)

Este estudio ha sido presentado a través de la cuenta oficial de Phys.org, convirtiéndose en un tema compartido en redes sociales. LinkedIn

Las reacciones que surgen (o tienden a surgir) se pueden organizar por puntos de debate de la siguiente manera.

1) Elogios: "Mejorar la inmediatez de las estadísticas es un beneficio público"

• "En emergencias como desastres o pandemias, anticipar dos semanas es significativo"

• "Si se puede detectar a nivel estatal o urbano, el apoyo podría llegar a tiempo"
  (coherente con el punto de que la investigación es "fuerte en tiempos de crisis") OUP Academic

2) Preocupaciones: "No conviertan las voces de los vulnerables en 'datos de vigilancia'"

• "Las publicaciones sobre desempleo son casi un SOS. Si se recopilan, primero debe diseñarse para conectarlas con apoyo"

• "Hay resistencia a la estimación de atributos a partir de imágenes de perfil"
  (la implementación de la estimación de atributos está claramente indicada en el artículo) OUP Academic

3) Preguntas: "¿Qué pasa con las personas que no publican?"##HTML_TAG_