論文の概要: Reducing the Filtering Effect in Public School Admissions: A Bias-aware Analysis for Targeted Interventions

• arxiv url: http://arxiv.org/abs/2004.10846v4
• Date: Mon, 15 Jul 2024 21:49:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-18 00:37:39.515739
• Title: Reducing the Filtering Effect in Public School Admissions: A Bias-aware Analysis for Targeted Interventions
• Title（参考訳）: 公立学校入学者のフィルタリング効果の低減--目標介入に対するバイアス認識分析
• Authors: Yuri Faenza, Swati Gupta, Aapeli Vuorinen, Xuan Zhang,
• Abstract要約: DOEが「不利」と分類する学生の得点分布の変化が示される。 集中的に計画された介入は、奨学金やトレーニングを通じてバイアスの影響を著しく低減できることを示す。
• 参考スコア（独自算出の注目度）: 7.50215102665518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Problem definition: Traditionally, New York City's top 8 public schools have selected 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 middle schools, leading to a massive filtering effect in the education pipeline. 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 policymakers, have reacted by incorporating group-specific quotas and proportionality constraints, with mixed results. The problem of finding effective and fair methods for broadening access to top-notch education is still unsolved. Methodology/results: We take an operations approach to the problem different from most established literature, with the goal of increasing opportunities for students with high economic needs. Using data from the Department of Education (DOE) in New York City, we show that there is a shift in the distribution of scores obtained by students that the DOE classifies as "disadvantaged" (following criteria mostly based on economic factors). We model this shift as a "bias" that results from an underestimation of the true potential of disadvantaged students. We analyze the impact this bias has on an assortative matching market. We show that centrally planned interventions can significantly reduce the impact of bias through scholarships or training, when they target the segment of disadvantaged students with average performance.
• Abstract（参考訳）: 問題の定義: 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んだ。 これらのスコアは、中学生の社会経済的地位や、中等教育で受けられた試験準備に影響され、教育パイプラインで大規模なフィルタリング効果がもたらされたことが知られている。 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と比例制約を混合結果に組み込むことで反応している。 トップノート教育へのアクセスを拡大するための効果的で公平な方法を見つけるという問題は未解決のままである。 方法論/再考:我々は、高経済ニーズの学生に機会を増やすことを目的として、既存の文献とは異なる問題に対する運用アプローチを採っている。 ニューヨーク市の教育省(DOE)のデータから、学生が取得したスコアの分布の変化が「不都合」(主に経済要因に基づく基準に従う)と分類していることが分かる。 我々は、このシフトを、不利な学生の真の可能性の過小評価から生じる「バイアス」としてモデル化する。 この偏見がマーケットにどのような影響を及ぼすかを分析します。 中央計画の介入は、平均成績の悪い学生を対象とする場合、奨学金や研修を通じてバイアスの影響を著しく低減できることを示す。

関連論文リスト

• Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
  実際には、因果研究者は先験を念頭において1つの結果を持っていない。 政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。 本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T08:16:30Z)
• Learning Fair Ranking Policies via Differentiable Optimization of Ordered Weighted Averages [55.04219793298687]
  本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。 特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
  論文  参考訳（メタデータ） (2024-02-07T20:53:53Z)
• Exploring Educational Equity: A Machine Learning Approach to Unravel Achievement Disparities in Georgia [0.5439020425819]
  この研究は、異なる人口層、地域、主題にわたる学生の達成率の包括的分析を行う。 パンデミックの間、英語と数学の習熟度は著しく低下した。 この研究は、都市部と農村部における達成率の格差、および郡間でのバリエーションも明らかにしている。
  論文  参考訳（メタデータ） (2024-01-25T15:05:52Z)
• 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)
• 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)
• The SAME score: Improved cosine based bias score for word embeddings [63.24247894974291]
  文献の考えに基づくバイアス定義を提供し、バイアススコアの新たな要件を導出する。 既存のバイアススコアの欠点に対処し,単語埋め込みにおけるバイアスの定量化に好適であることを示す。
  論文  参考訳（メタデータ） (2022-03-28T09:28:13Z)
• Towards Equal Opportunity Fairness through Adversarial Learning [64.45845091719002]
  逆行訓練は、自然言語処理におけるバイアス緩和の一般的なアプローチである。 本稿では、よりリッチな特徴を生み出すために、ターゲットクラスをインプットとして利用する、対位訓練のための拡張判別器を提案する。
  論文  参考訳（メタデータ） (2022-03-12T02:22:58Z)
• 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)
• 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)
• Interventions for Ranking in the Presence of Implicit Bias [34.23230188778088]
  帰属バイアス(英語: Implicit bias)とは、特定の社会的グループのメンバーに対する特定の性質(またはその欠如)の無意識の帰属である。 ルーニールール(英: Rooney Rule)は、サブセット選択問題の特定のケースにおける結果の有用性を改善するための制約である。 我々は、単純で解釈可能な制約の族を示し、それらが暗黙のバイアスを最適に軽減できることを示す。
  論文  参考訳（メタデータ） (2020-01-23T19:11:31Z)
• 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。