論文の概要: Reducing the Feeder Effect in Public School Admissions: A Bias-aware
Analysis for Targeted Interventions
- arxiv url: http://arxiv.org/abs/2004.10846v3
- Date: Fri, 11 Feb 2022 17:48:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 18:51:32.276867
- Title: Reducing the Feeder Effect in Public School Admissions: A Bias-aware
Analysis for Targeted Interventions
- Title(参考訳): 公立学校入校者におけるフィーダー効果の低減 : 対象介入に対するバイアスアウェア分析
- Authors: Yuri Faenza, Swati Gupta, Xuan Zhang
- Abstract要約: 追加訓練や奨学金などの介入が不利な学生に与える影響について検討する。
ニューヨーク市立高等学校のSATスコアデータを用いて,これらの知見を検証した。
- 参考スコア(独自算出の注目度): 9.047055135172094
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditionally, New York City's top 8 public schools select candidates solely
based on their scores in the Specialized High School Admissions Test (SHSAT).
These scores are known to be impacted by socioeconomic status of students and
test preparation received in "feeder" middle schools, leading to a massive
filtering effect in the education pipeline. For instance, around 50% (resp.
80%) of the students admitted to the top public high schools in New York City
come from only 5% (resp. 15%) of the middle schools. The classical mechanisms
for assigning students to schools do not naturally address problems like school
segregation and class diversity, which have worsened over the years. The
scientific community, including policy makers, have reacted by incorporating
group-specific quotas, proportionality constraints, or summer school
opportunities, but there is evidence that these can end up hurting minorities
or even create legal challenges. We take a completely different approach to
reduce this filtering effect of feeder middle schools, with the goal of
increasing the opportunity of students with high economic needs. We model a
two-sided market where a candidate may not be perceived at their true
potential, and is therefore assigned to a lower level than the one (s)he
deserves. We propose and study the effect of interventions such as additional
training and scholarships towards disadvantaged students, and challenge
existing mechanisms for scholarships. We validate these findings using SAT
scores data from New York City high schools. We further show that our
qualitative takeaways remain the same even when some of the modeling
assumptions are relaxed.
- Abstract(参考訳): 伝統的にニューヨーク市の公立学校上位8校は、特別高校入学試験(SHSAT)の成績に基づいて候補者を選ぶ。
これらのスコアは、学生の社会経済的地位と「フェダー」中学校で受け取られたテスト準備に影響され、教育パイプラインに大きなフィルタリング効果をもたらすことが知られている。
例えば、ニューヨーク市の公立高校に入学した生徒の約50%(約80%)は、中学校のわずか5%(約15%)から来ている。
学生を学校に割り当てる古典的なメカニズムは、学校分離やクラスの多様性といった問題に自然に対処するものではない。
政策立案者を含む科学コミュニティは、グループ固有の基準、比例制約、サマースクールの機会を取り入れることで反応してきたが、これらが少数派を傷つけたり、法的課題を生んだりする可能性があるという証拠もある。
我々は、高い経済的ニーズを持つ学生の機会を増やすことを目的として、給餌中学のこのフィルタリング効果を全く異なるアプローチで削減する。
我々は、候補者が真のポテンシャルを認識できない2面市場をモデル化し、それゆえ、ふさわしい1(s)よりも低いレベルに割り当てられる。
我々は,不利な学生に対する追加訓練や奨学金などの介入の効果を提案・検討し,既存の奨学金制度に挑戦する。
これらをニューヨーク市立高校のsatスコアデータを用いて検証した。
さらに、モデリングの前提が緩和された場合でも、定性的なテイクアウトが同じであることを示す。
関連論文リスト
- The Disparate Impacts of College Admissions Policies on Asian American
Applicants [0.848785248641365]
アジア系アメリカ人と白人学生の685,709のアプリケーションから、選択的な米国機関のサブセットを5回の申請サイクルで分析する。
アジア系アメリカ人の受験者が少なくとも1校に入学した確率は、同様のテストスコアを持つ白人学生の確率よりも28%低かった。
論文 参考訳(メタデータ) (2023-08-03T22:41:54Z) - FRAMM: Fair Ranking with Missing Modalities for Clinical Trial Site
Selection [55.2629939137135]
本稿では, 試行サイト選択作業に焦点をあて, 公正な試行サイト選択のための深層強化学習フレームワークであるFRAMMを提案する。
我々は、公正なトライアルサイトの選択に影響を与える2つの現実的な課題に対処することに重点を置いている。データモダリティは、多くの潜在的なトライアルサイトでは不十分であり、サイトのセレクションは、入試と多様性の両方を同時に最適化する必要がある。
FRAMMは2016年から2021年までの4,392の臨床試験で評価し,FRAMMが入学のみの設定において最上位のベースラインを上回っていることを示す。
論文 参考訳(メタデータ) (2023-05-30T20:44:14Z) - Difficult Lessons on Social Prediction from Wisconsin Public Schools [32.90759447739759]
早期警戒システムは、学生が退学するリスクがあるかを予測することで、個々の学生への介入を標的にすることを支援する。
広く採用されているにもかかわらず、EWSの有効性に対する私たちの理解には大きなギャップが残っています。
本研究では,学生の退学リスクを正確に判断する実証的証拠を提示する。
卒業率の1桁の上昇を招いた可能性があるが、我々の経験的分析では、前向きな治療効果がないと確実に判断することはできない。
論文 参考訳(メタデータ) (2023-04-13T00:59:12Z) - Redrawing attendance boundaries to promote racial and ethnic diversity
in elementary schools [31.737460075609103]
合衆国のほとんどの教育学区は、生徒を自宅近くの学校に割り当てるために「通学境界」を描いている。
我々は、小学生300万人以上を対象とする98の教育学区の代替的境界をシミュレートする。
以上の結果から,家族にとって大きな混乱を伴わない統合の可能性が示唆された。
論文 参考訳(メタデータ) (2023-03-14T02:50:40Z) - Evaluating a Learned Admission-Prediction Model as a Replacement for
Standardized Tests in College Admissions [21.70450099249114]
大学入学事務所は歴史的に、審査のために大規模な応募者プールを実行可能なサブセットに編成するために標準化されたテストスコアに依存してきた。
サブセット生成における標準化テストの役割を置き換えるための機械学習ベースのアプローチを検討する。
過去の入試データに基づいてトレーニングされた予測モデルはSATモデルよりも優れており、最終入試クラスの人口構成と一致していることがわかった。
論文 参考訳(メタデータ) (2023-02-07T17:14:26Z) - Federated Selective Aggregation for Knowledge Amalgamation [66.94340185846686]
FedSAの目標は、何人かの分散教師の助けを借りて、新しいタスクのための学生モデルをトレーニングすることである。
このような問題を調査する動機は、最近のモデル共有のジレンマに端を発する。
提案されたFedSAは、このジレンマに対する解決策を提供し、さらに一歩進める。
論文 参考訳(メタデータ) (2022-07-27T05:36:50Z) - Optimising Equal Opportunity Fairness in Model Training [60.0947291284978]
既存のデバイアス法、例えば、敵の訓練や、表現から保護された情報を取り除くことは、バイアスを減らすことが示されている。
2つの新たな学習目標を提案し,2つの分類課題における高い性能を維持しつつ,バイアスの低減に有効であることを示す。
論文 参考訳(メタデータ) (2022-05-05T01:57:58Z) - Fairness-aware Class Imbalanced Learning [57.45784950421179]
つぶやきの感情と職業分類のロングテール学習手法を評価する。
フェアネスを強制する手法により、マージンロスに基づくアプローチを拡張します。
論文 参考訳(メタデータ) (2021-09-21T22:16:30Z) - Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from
the First Week's Activities [56.1344233010643]
いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。
この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
論文 参考訳(メタデータ) (2020-08-12T10:44:49Z) - Intersectional Affirmative Action Policies for Top-k Candidates
Selection [3.4961413413444817]
本研究では,トップk候補を応募者のプールから選抜する問題について検討する。
我々は,一部の候補者が歴史的かつ現在の不利を経験している状況を考える。
そこで本研究では,OECD国における学力評価と学士号取得のデータセットを用いて,この問題を解き,解析し,評価する2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-29T12:27:18Z) - Graduate Employment Prediction with Bias [44.38256197478875]
大学生への就職の失敗は、飲酒や自殺などの深刻な社会的結果を引き起こす可能性がある。
偏見を考慮しつつ,学生の就業状況を予測する枠組み,すなわちMAYAを開発する。
論文 参考訳(メタデータ) (2019-12-27T07:30:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。