ایک الگورتھم طے کرتا ہے کہ پناہ گزین کہاں سے آغاز کریں

پناہ گزینوں کو اکثر میزبان ملک میں کام تلاش کرنے میں دشواری ہوتی ہے۔ مقالہ بتاتا ہے کہ بیس یورپی ممالک میں ان کے برسرِ روزگار ہونے کا امکان قابلِ موازنہ تارکینِ وطن سے تقریباً 12% کم ہے، اور یہ فرق دس سے پندرہ سال تک رہتا ہے۔ آمد کے بعد کے پہلے مہینے اور سال سب سے اہم ہوتے ہیں، اور اسی طرح یہ بھی کہ پناہ گزین کو کہاں بسایا جاتا ہے۔ اس کے باوجود بہت سے ممالک میں، جن میں سوئٹزرلینڈ بھی شامل ہے، آبادکاری انتظامی کوٹوں کے مطابق ہوتی ہے، اور افسران کے پاس اس بارے میں بہت کم معلومات ہوتی ہیں کہ ہر شخص کہاں سب سے بہتر کرے گا۔

ایک سفارش، فیصلہ نہیں

2018 میں کرک بنسک، ینس ہائن ملر اور ان کے ساتھیوں نے پناہ گزینوں کی الگورتھمی آبادکاری تجویز کی۔ ایک مشینی تعلم (machine learning) کا ماڈل، جسے پچھلے آنے والوں کے ڈیٹا پر تربیت دی گئی ہو، پیش گوئی کرتا ہے کہ ہر پناہ گزین کو ہر ممکنہ مقام پر کام ملنے کا کتنا امکان ہے۔ پھر ایک اصلاحی (optimisation) مرحلہ ایسی آبادکاری کی سفارش کرتا ہے جو تمام کوٹوں کا لحاظ رکھتے ہوئے متوقع روزگار کو زیادہ سے زیادہ کرے۔ آخری فیصلہ ایک انسانی افسر کے پاس رہتا ہے۔

اب تک اس کے فوائد کا اندازہ صرف ماضی کے ڈیٹا کو دوبارہ چلا کر لگایا گیا تھا۔ یہ تحقیق، جس کی قیادت بنسک (یونیورسٹی آف کیلیفورنیا، برکلے)، ہائن ملر (اسٹینفورڈ یونیورسٹی) اور ڈومینک ہانگارٹنر (ای ٹی ایچ زیورخ) نے کی، اس کی رپورٹ دیتی ہے جسے مصنفین اس طریقے کی پہلی بے ترتیب کنٹرول شدہ آزمائش (randomised controlled trial) سمجھتے ہیں، جو سوئٹزرلینڈ کے اسٹیٹ سیکریٹریٹ فار مائیگریشن (SEM) کے ساتھ، ان کے آلے GeoMatch کے ابتدائی نسخے سے کی گئی۔

ایک حقیقی انتظامیہ میں اندھی قرعہ اندازی

جنوری 2020 سے جون 2023 تک ہر اہل کیس — کوئی خاندان یا اکیلا بالغ جسے پناہ گزین کی حیثیت یا عارضی تحفظ ملا ہو، اور جسے کسی بھی کینٹن میں بھیجا جا سکتا ہو — کمپیوٹر کے ذریعے دو گروہوں میں سے کسی ایک میں، آدھا آدھا، ڈالا گیا:

الگورتھم: وہ کینٹن جس کے بارے میں GeoMatch کی پیش گوئی تھی کہ وہ روزگار کو زیادہ سے زیادہ کرے گا؛
کنٹرول: دستیاب جگہوں میں سے بے ترتیب طور پر چنا گیا کینٹن، جیسا کہ معمول کے طریقے میں ہوتا ہے۔

آبادکاری کے افسران دونوں صورتوں میں ایک ہی اسکرین دیکھتے تھے، اور نہ وہ نہ پناہ گزین جانتے تھے کہ کوئی کیس کس گروہ میں ہے۔ ہر گروہ کے پاس کینٹن اور قومیت کے لحاظ سے کوٹوں کی اپنی یکساں نقل تھی۔ یہ ڈیزائن ایک سادہ چال کو ناممکن بناتا ہے: الگورتھم مضبوط روزگار منڈی والے کینٹنز میں زیادہ لوگ نہیں بھیج سکتا تھا۔ وہ صرف کسی شخص اور کسی جگہ کے درمیان موزونیت کو بہتر بنا سکتا تھا۔

ماڈل بہت کم جانتا تھا: جنس، عمر، ازدواجی حیثیت، گھرانے کا حجم، آمد کی تاریخ، قومیت اور مادری زبان۔ تعلیم، کام کا تجربہ اور زبان کی مہارت اس رجسٹر میں درج نہیں جو اس نے استعمال کیا۔ افسران نے دکھائی گئی سفارش تقریباً 97% بار مانی۔

حتمی نمونہ: 2,000 کیسز، 2,156 بالغ، زیادہ تر افغانستان (54%)، ترکی (26%) اور شام (9%) سے۔

نتائج

بنیادی نتیجہ، جو پہلے سے رجسٹر شدہ منصوبے میں طے تھا، پہلے تین برسوں میں روزگار والے مہینوں کا حصہ ہے۔ کنٹرول گروہ میں بالغوں نے اوسطاً ان میں سے 22.3% مہینے کام کیا۔

تمام گروہ (2020–2023): الگورتھم گروہ کے لیے +2.2 فیصدی پوائنٹ، تقریباً 10% زیادہ، اور اعتماد کا وقفہ (confidence interval) +0.05 سے +4.3 پوائنٹ تک۔
کووڈ کے بعد کے گروہ (2022–2023): +3.9 پوائنٹ، تقریباً 17% زیادہ۔ آزمائش وبا سے چند ہفتے پہلے شروع ہوئی، اور ماڈل کو وبا سے پہلے کے ڈیٹا پر تربیت دی گئی تھی؛ 2020 اور 2021 کے گروہوں کے لیے اثرات صفر سے ممیز نہیں تھے۔ گروہ وار یہ موازنے پہلے سے رجسٹر نہیں تھے۔
وقت کے ساتھ بڑھتا ہوا: آبادکاری کے 36 ماہ بعد، کم از کم ایک برسرِ روزگار بالغ والے گھرانوں کا حصہ 5.2 پوائنٹ زیادہ تھا (تقریباً 11%)۔
زیادہ مستحکم ملازمتیں: کم از کم چھ ماہ چلنے والی ملازمت، +5.6 پوائنٹ؛ تین سال پر غیر معینہ مدت کا معاہدہ، +4.5 پوائنٹ۔

ڈیزائن کے لحاظ سے سستا

صرف سرکاری مالیات کو گنتے ہوئے — وہ مراعات جو اب ادا نہیں کرنی پڑتیں، اور ساتھ ہی چندے اور ٹیکس — مصنفین روزگار کے ہر اضافی مہینے کی قدر تقریباً 1,950 سوئس فرانک لگاتے ہیں۔ فی بالغ 50 فرانک کی فرضی چلانے کی لاگت کے ساتھ، وہ فی بالغ تقریباً 1,300 فرانک کے خالص فائدے کا اندازہ لگاتے ہیں، یعنی تقریباً 27 کے مقابلے 1 کا تناسب۔ وہ تین سال پر اثر کا موازنہ ان پروگراموں سے کرتے ہیں جو سینکڑوں گھنٹے کی زبان کی تعلیم کا اضافہ کرتے ہیں، جبکہ زور دیتے ہیں کہ الگورتھم ایسے کورسز کا متبادل نہیں۔

وہ اس آزمائش کو ایک محتاط امتحان کہتے ہیں: آلے کا ایک ابتدائی، منجمد نسخہ، چند پیش گو عوامل (predictors)، موٹا جغرافیہ، سخت کوٹے، اور اصلاح کے لیے صرف آدھے کیسز دستیاب۔ کیا نئے، کم پابند نسخے بہتر کریں گے، یہ ابھی آزمایا جانا باقی ہے۔

کس نے بنایا، کس نے آزمایا

مصنفین نے GeoMatch طریقہ خود تیار کیا۔ وہ کسی مفادات کے ٹکراؤ کا اعلان نہیں کرتے اور بتاتے ہیں کہ انہیں آلہ تیار کرنے یا چلانے کے لیے سوئس حکومت سے کوئی ادائیگی نہیں ملی؛ اس کام کی مالی معاونت اسٹینفورڈ یونیورسٹی، فاؤنڈیشنز اور رفاہی اداروں بشمول Google.org، اور ایک یورپی تحقیقی گرانٹ نے کی۔ پناہ گزینوں سے آگے، وہ اس آزمائش کو اس بات کا ایک نایاب میدانی ثبوت سمجھتے ہیں کہ پیش گوئی کے آلات بڑے اثر والے سرکاری فیصلوں کو بہتر بنا سکتے ہیں جب وہ فیصلہ کرنے والے لوگوں کی جگہ لینے کے بجائے ان کی مدد کریں — اور اس بات کی یاد دہانی کہ جب دنیا بدلے، جیسا کہ 2020 میں ہوا، تو ایسے آلات کو دوبارہ تربیت دینی ہوگی۔