論文の概要: Modeling Assumptions Clash with the Real World: Transparency, Equity, and Community Challenges for Student Assignment Algorithms

• arxiv url: http://arxiv.org/abs/2101.10367v1
• Date: Mon, 25 Jan 2021 19:29:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 00:30:51.589306
• Title: Modeling Assumptions Clash with the Real World: Transparency, Equity, and Community Challenges for Student Assignment Algorithms
• Title（参考訳）: 学生割当アルゴリズムにおける透明性,公平性,コミュニティ課題のモデル化と現実の世界との衝突
• Authors: Samantha Robertson, Tonya Nguyen, Niloufar Salehi
• Abstract要約: 多くの教育学区が、生徒を公立学校に割り当てるためのマッチングアルゴリズムに目を向けている。 我々は,このシステムを価値感性設計アプローチを用いて分析し,実際に価値が満たされていない理由の1つとして,家族の優先順位に関する仮定のモデル化に依存することを挙げる。 我々は、直接的かつ継続的な利害関係者との関わりが、アルゴリズム的価値と現実世界の条件との整合の中心であると主張する。
• 参考スコア（独自算出の注目度）: 16.823029377470366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Across the United States, a growing number of school districts are turning to matching algorithms to assign students to public schools. The designers of these algorithms aimed to promote values such as transparency, equity, and community in the process. However, school districts have encountered practical challenges in their deployment. In fact, San Francisco Unified School District voted to stop using and completely redesign their student assignment algorithm because it was not promoting educational equity in practice. We analyze this system using a Value Sensitive Design approach and find that one reason values are not met in practice is that the system relies on modeling assumptions about families' priorities, constraints, and goals that clash with the real world. These assumptions overlook the complex barriers to ideal participation that many families face, particularly because of socioeconomic inequalities. We argue that direct, ongoing engagement with stakeholders is central to aligning algorithmic values with real world conditions. In doing so we must broaden how we evaluate algorithms while recognizing the limitations of purely algorithmic solutions in addressing complex socio-political problems.
• Abstract（参考訳）: 米国全体では、多くの教育学区が、生徒を公立学校に割り当てるためのマッチングアルゴリズムに目を向けている。 これらのアルゴリズムの設計者は、そのプロセスにおける透明性、株式、およびコミュニティといった価値を促進することを目的としていた。 しかし、教育学区はその展開において実用的な課題に遭遇してきた。 実際、サンフランシスコ統一教育学区は、学生割当アルゴリズムの使用を中止し、完全に再設計することを投票で決めた。 このシステムを価値に敏感な設計手法を用いて分析し、実際に価値が満たされない理由の一つは、システムが実世界と衝突する家族の優先順位、制約、目標に関する仮定をモデル化することにあることを見出します。 これらの仮定は、多くの家族が直面する理想的な参加に対する複雑な障壁を見落としている。 我々は、直接的かつ継続的な利害関係者との関わりが、アルゴリズム的価値と現実世界の条件との整合の中心であると主張する。 そのためには、複雑な社会・政治問題に対処するための純粋アルゴリズムソリューションの限界を認識しながら、アルゴリズムの評価方法を広げなければならない。

関連論文リスト

• Contractual Reinforcement Learning: Pulling Arms with Invisible Hands [68.77645200579181]
  本稿では,契約設計によるオンライン学習問題において,利害関係者の経済的利益を整合させる理論的枠組みを提案する。 計画問題に対して、遠目エージェントに対する最適契約を決定するための効率的な動的プログラミングアルゴリズムを設計する。 学習問題に対して,契約の堅牢な設計から探索と搾取のバランスに至るまでの課題を解き放つために,非回帰学習アルゴリズムの汎用設計を導入する。
  論文  参考訳（メタデータ） (2024-07-01T16:53:00Z)
• Efficient Imitation Learning with Conservative World Models [54.52140201148341]
  報酬機能のない専門家によるデモンストレーションから政策学習の課題に取り組む。 純粋な強化学習ではなく、微調整問題として模倣学習を再構成する。
  論文  参考訳（メタデータ） (2024-05-21T20:53:18Z)
• Algorithmic Fairness: A Tolerance Perspective [31.882207568746168]
  この調査はアルゴリズムの公正性に関する既存の文献を掘り下げ、特にその多面的な社会的影響を強調している。 我々は「寛容」に基づく新しい分類法を導入し、公正な結果の変動が許容される度合いとして定義する。 我々の体系的なレビューは多様な産業をカバーし、アルゴリズムによる意思決定と社会的株式のバランスに関する重要な洞察を明らかにしている。
  論文  参考訳（メタデータ） (2024-04-26T08:16:54Z)
• Individual Fairness under Uncertainty [26.183244654397477]
  アルゴリズムフェアネス(英: Algorithmic Fairness)は、機械学習(ML)アルゴリズムにおいて確立された領域である。 本稿では,クラスラベルの検閲によって生じる不確実性に対処する,個別の公正度尺度とそれに対応するアルゴリズムを提案する。 この視点は、現実世界のアプリケーションデプロイメントにおいて、より現実的なフェアネス研究のモデルである、と我々は主張する。
  論文  参考訳（メタデータ） (2023-02-16T01:07:58Z)
• Fairness in Matching under Uncertainty [78.39459690570531]
  アルゴリズム的な二面市場は、こうした設定における公平性の問題に注意を向けている。 我々は、利益の不確実性を尊重する両面の市場設定において、個々人の公正性の概念を公理化する。 そこで我々は,配当よりも公平なユーティリティ最大化分布を求めるために,線形プログラミングフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-02-08T00:30:32Z)
• Fair and skill-diverse student group formation via constrained k-way graph partitioning [65.29889537564455]
  本研究は、公正かつ多様な学生グループ形成のための教師なしアルゴリズムを導入する。 学生のスキルセットは、ラプラシア固有写像を用いて、コースマークデータの教師なし次元削減を用いて決定される。 この問題は制約付きグラフ分割問題として定式化され、各グループのスキルセットの多様性が最大化される。
  論文  参考訳（メタデータ） (2023-01-12T14:02:49Z)
• Reinforcement Learning with Stepwise Fairness Constraints [50.538878453547966]
  本稿では,段階的公正性制約を伴う強化学習について紹介する。 我々は、ポリシーの最適性と公正性違反に関して、強力な理論的保証を持つ学習アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2022-11-08T04:06:23Z)
• The Algorithmic Imprint [15.273400795479223]
  アルゴリズムを単に取り除くだけでは必ずしもその結果が失われたり緩和されるとは限らないことを示すために、"アルゴリズムのインプリント"の概念を紹介します。 本研究は,学生,教師,両親の生活を形作る社会技術基盤のアルゴリズム的インプリントを解き放たなかったかを示す。 バングラデシュのケーススタディでは、グローバル・ノースで作られたアルゴリズムが、グローバル・サウスの利害関係者にいかに不公平に影響を及ぼすかを説明しています。
  論文  参考訳（メタデータ） (2022-06-03T15:44:44Z)
• A Framework of High-Stakes Algorithmic Decision-Making for the Public Sector Developed through a Case Study of Child-Welfare [3.739243122393041]
  我々は,公共セクターに適応したアルゴリズムによる意思決定の結束的枠組みを開発する。 本研究は,児童福祉機関における日常利用におけるアルゴリズムの事例研究である。 本稿では,公共セクターにおける高精度なアルゴリズム決定ツールの設計ガイドラインを提案する。
  論文  参考訳（メタデータ） (2021-07-07T21:24:35Z)
• Reducing Discrimination in Learning Algorithms for Social Good in Sociotechnical Systems [0.0]
  都市のスマートモビリティイニシアチブは、機械学習アルゴリズムを使って課題に対処する。 また、これらのアルゴリズムが社会経済的地位などの特徴に対して意図せず差別し、アルゴリズムフェアネスの重要性を動機付けている点についても論じる。
  論文  参考訳（メタデータ） (2020-11-27T20:45:10Z)
• Decentralized Reinforcement Learning: Global Decision-Making via Local Economic Transactions [80.49176924360499]
  我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。 我々は分散強化学習アルゴリズムのクラスを導出する。 我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2020-07-05T16:41:09Z)

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。