Browsing by Author "Asahi Kodama, Kenzo Javier"

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Big data para la identificación del comportamiento criminal
    (Centro de Políticas Públicas UC, 2019) Wout, Elwin van't; Valenzuela Carvallo, Eduardo; Asahi Kodama, Kenzo Javier; Pieringer Baeza, Christian Philip; Torres Irribarra, David; Larroulet Philippi, Pilar
    El big data ha revolucionado las ciencias y la industria con su impresionante poder de analizar grandes conjuntos de datos y algoritmos que pueden predecir eventos futuros con una alta precisión. Este capítulo estudiará el uso de herramientas automatizadas para identificar el comportamiento delictual, con el objetivo final de ayudar a la policía en su mejora continua de la gestión eficiente de los recursos gubernamentales para reducir la delincuencia. Se han desarrollado modelos matemáticos que permiten extraer información relevante de una base de datos, que contiene registros de detenciones por las policías e información sociodemográfica sobre los victimarios. El análisis descriptivo presenta los indicadores clave del estado actual de delincuencia en Chile y una tipología del comportamiento criminal. La predicción de detenciones futuras es desafiante: la precisión debe aumentarse, antes de usar los algoritmos en la práctica, especialmente porque una predicción errónea puede resultar en costos sociales demasiados altos. Para completar el estudio, se presenta una discusión sobre los alcances y posibles fuentes de sesgo en la predicción. Por último, se elaboran propuestas sobre cómo mejorar las políticas públicas y la organización policial basada en herramientas de big data.
  • Thumbnail Image
    Item
    Worthwhile or not? Estimating the impacts of AI-based recommendation systems on Chile’s school choice system
    (2020) Icaran Sagaceta, Rodrigo Ignacio; Figueroa González, Nicolás Andrés; Asahi Kodama, Kenzo Javier; Pontificia Universidad Católica de Chile. Instituto de Economía
    This paper studies the effects of implementing a recommender system in the context of the Chilean School Choice System. We develop an artificial intelligence-based algorithm for suggesting schools to students. Using these suggestions as input, and conjecturing different levels of acceptance rates by the population, we evaluate the general equilibrium effects of this policy. If, on average, students accepted one suggestion each, this technology could decrease the percentage of non-assigned students by 1.5pp. However, since good schools are a scarce resource, not everyone benefits from this policy. We find minor effects on commuting distances and assigned schools’ SIMCE scores. Also, we show that this technology has small but negative impacts on social welfare from a utilitarian perspective. Our results offer powerful insight for public policy and suggest that the impacts of a recommender system in a context of rival goods may be counterintuitive.