La inmigración y las crisis de refugiados vienen siendo un evento común durante los últimos años. Una gran parte de estos inmigrantes solicitan asilo, y en consecuencia el sistema se estresa.

Esto se debe a que cada caso debe ser analizado individualmente, y se producen retrasos en el procesamiento de las solicitudes. En este contexto, se podría considerar el reemplazar las entrevistas personales con algoritmos de aprendizaje automático (“machine learning”) que predigan eventos tan importantes como la probabilidad de cometer un crimen una vez se conceda la solicitud de asilo.

Estos algoritmos acelerarían el proceso de toma de decisiones, en lugar de automatizarlos por completo, produciendo un sistema de triaje más rápido y eficiente. Los casos más sencillos se procesarían más rápidamente mientras que solamente se dedicarían más recursos a los casos complicados.

Es importante tener en cuenta que siempre habría una persona supervisando el resultado de las solicitudes, pero su trabajo se agilizaría enormemente. Al mismo tiempo, estas personas podrían añadir criterios basados en la justicia o la ética a la decisión, en lugar de basarla solamente en criterios estadísticos. Este aspecto tendría especial relevancia a la hora de mitigar posibles discriminaciones basadas en raza u otros aspectos que pudieran sesgar el resultado del algoritmo. Por ejemplo, el algoritmo podría predecir que algunas personas de ciertas nacionalidades tienen más probabilidades de cometer crímenes, marcando a personas que realmente merecen el asilo como rechazadas. Es en estos casos donde se ve la importancia de una supervisión humana de los resultados.

En un estudio reciente (Daniel L. Chen and Jess Eagel; 2017; Can Machine Learning Help Predict the Outcome of Asylum Adjudications?) se analizaron alrededor de 500.000 de solicitudes de asilo en EE.UU. entre los años 1981 y 2013, y se intentó predecir el resultado de cada solicitud e identificar las variables que afectaban al resultado.

Los investigadores plantearon una predicción de eventos binaria (asilo concedido o no concedido) usando técnicas de random forest, con un acierto del 82% de los casos. Se introdujeron 137 variables que pudieran explicar el resultado de las solicitudes de asilo.

Estas variables recogían información sobre el caso concreto, sobre el tribunal y el juez que tomó la decisión, e incluso sobre la meteorología en la fecha de la decisión, y las tendencias en las noticias (presencia de palabras clave como “refugiados”, “guerra”, “asilo” o “crisis migratoria” entre otras).

Los investigadores encontraron que las variables que más afectaron a las decisiones sobre las solicitudes de asilo fueron las relacionadas con variables como la media de solicitudes concedidas por un juez, la media de solicitudes concedidas por nacionalidad, seguido de variables relacionadas con el caso, como el abogado, la nacionalidad, el número de miembros en la familia, y variables relacionadas con el juez, como la universidad donde estudió, los años de experiencia o si fue militar en el pasado. Las variables relacionadas con las noticias también tuvieron un impacto significativo.

Los resultados muestran como las decisiones que se tomaron en los últimos años estuvieron influenciadas por factores externos a la solicitud de asilo, como el juez o las noticias.

Este caso plantea preguntas importantes. ¿Si se programase un algoritmo perfecto que decidiera sobre las solicitudes de asilo, se debería usar? o ¿ conseguir el algoritmo perfecto es imposible, porque son los humanos los que los programan y deciden que variables incluir, y por lo tanto es en sí mismo injusto?

Estas cuestiones pueden cobrar especial relevancia en contextos como el reciente auge de los talibanes en Afganistán, desde donde los gobiernos occidentales han repatriado miles de ciudadanos afganos que se verán obligados a pedir asilo en los países con los que colaboraron. ¿Podría un algoritmo agilizar los procesos?