El juego que te hace calificar las calles de tu barrio

En 2011 un grupo de investigadores del Massachusetts Institute of Technology (MIT) le pidió al público que participara en una especide de juego en internet. Tomaron dos fotos con etiquetas geográficas de diferentes calles tomadas de Google Street View y las pusieron lado a lado. Entonces les preguntaron a los usuarios: “¿Cuál se ve más segura? ¿Más animada? ¿Más deprimente?". En cuanto un usuario contestaba, un nuevo grupo de fotos aparecía.

El proyecto, que sigue en curso, se llama Place Pulse. Tal como reportó CityLab cuando se inauguró, se utilizó para estudiar cómo la gente percibía la seguridad de una calle basada en la apariencia de los edificios, la presencia de árboles y el aspecto de las aceras. Cinco años después ya han participado más de 80,000 personas de todo el mundo, dando por resultado más de 1.3 millones de clics en más de 100,000 fotos.

Otro grupo de investigadores del MIT tomó todos esos datos y creó un algoritmo que calcula el “puntaje de seguridad” de una calle basado en los colores, las texturas y las formas presentes en cada foto. Específicamente, el algoritmo considera cuatro componentes en cada foto: edificios, árboles, tierra y cielo. Usando este algoritmo, los estudiantes crearon mapas basados en las calificaciones para las siguientes ciudades: Nueva York, Boston, Chicago, Detroit y, más recientemente, Filadelfia. Los mapas forman parte de un proyecto llamado StreetScore (“Calificaciones Callejeras”) y tienen puntos de distintos colores. Los verdes se perciben como los más seguros, seguidos por puntos amarillos, naranjas y rojos (los cuales se perciben como los menos seguros).

Al igual que los mapas de las otras ciudades que mencionamos, el de Filadelfia indica que las carreteras y los bordes costeros se perciben como las zonas menos seguras. Por lo general importan mucho las apariencias de los edificios, dice Nikhil Naik, un estudiante posgrado en MIT y uno de los investigadores detrás del proyecto. Las fotos con edificios atractivos y modernos sacan mejores calificaciones que las que tienen fotos con edificios hechos de ladrillo, por ejemplo. No sorprende que las calles bordeadas de árboles tiendan a sacar mayores calificaciones que las calles sin árboles.

Hasta la fecha el equipo de Naik ha revisado más de 25 ciudades de los Estados Unidos y están tratando de expandir el proyecto para analizar no sólo la percepción de seguridad, sino también la belleza y la vitalidad de ciudades en todo el mundo. Pero aún queda una duda: ¿Qué tan útiles son estos datos, particularmente cuando los resultados son determinados por matemática en lugar de un ser humano que entiende el significado cultural y la historia de un lugar en particular?

Para aclarar, según Naik le explica CityLab, estos mapas no tienen el propósito de decirle a alguien adonde deben ir y adonde no. Tampoco están tratando de predecir dónde sea probable que se presente la actividad criminal. De hecho, dice que los datos se deben utilizar como una herramienta para poner a prueba la teoría sumamente polémica de vigilancia policial llamada “ventanas rotas”.

La meta final es usar el algoritmo para proveer un retrato de la apariencia de una ciudad, el cual lo pueden utilizar los planificadores urbanos para ubicar lugares precisos que pudieran beneficiarse de esfuerzos revitalizadores. Además, los investigadores pueden usar dichos retratos para poner a prueba los múltiples efectos del deterioro urbano.

Desde que el proyecto comenzó en 2014, dice Naik, tanto los académicos como los legisladores han hecho buen uso de los grupos de datos. Los investigadores están usando los grupos de datos para estudiar cómo leyes de preservación histórica afectan a la manera en que la gente percibe un área, así como la manera en que la apariencia de un vecindario se correlaciona con el logro educativo de los estudiantes que viven allí. En cuanto al establecimiento de políticas, dice Naik, Washington D.C. está usando los datos de StreetScore en combinación con llamadas al 311 para efectuar un mejor mantenimiento de calles específicas.

Sin embargo, hay un factor que debe ser considerado. “Sí, es mejor tener a un ser humano que probablemente conozca a una zona a realizar una evaluación [al respecto]. Pero en realidad eso limita la escala y el ámbito de los estudios”, dice. “O puedes seleccionar datos de muy alta calidad para un área pequeña o puedes seleccionar datos que son de calidad aproximadamente buena pero abarcan a un área mucho más grande”.

Este artículo fue publicado originalmente en inglés en CityLab.com.