論文の概要: A Data-Driven Simulation of the New York State Foster Care System

• arxiv url: http://arxiv.org/abs/2206.06873v1
• Date: Tue, 14 Jun 2022 14:18:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 17:45:48.748394
• Title: A Data-Driven Simulation of the New York State Foster Care System
• Title（参考訳）: New York State Foster Care Systemのデータ駆動シミュレーション
• Authors: Yuhao Du, Stefania Ionescu, Melanie Sage and Kenneth Joseph
• Abstract要約: ニューヨーク州の養護ケアシステムを通じて,若者の軌跡をモデル化し,シミュレートするための分析パイプラインを導入する。 我々の目標は、この介入が実際に実施され、何千人もの若者の生活に影響を及ぼす前に、ケアシステムの目標を達成する能力にどのように影響するかを予測することである。
• 参考スコア（独自算出の注目度）: 2.3950600484506994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce an analytic pipeline to model and simulate youth trajectories through the New York state foster care system. Our goal in doing so is to forecast how proposed interventions may impact the foster care system's ability to achieve it's stated goals \emph{before these interventions are actually implemented and impact the lives of thousands of youth}. Here, we focus on two specific stated goals of the system: racial equity, and, as codified most recently by the 2018 Family First Prevention Services Act (FFPSA), a focus on keeping all youth out of foster care. We also focus on one specific potential intervention -- a predictive model, proposed in prior work and implemented elsewhere in the U.S., which aims to determine whether or not a youth is in need of care. We use our method to explore how the implementation of this predictive model in New York would impact racial equity and the number of youth in care. While our findings, as in any simulation model, ultimately rely on modeling assumptions, we find evidence that the model would not necessarily achieve either goal. Primarily, then, we aim to further promote the use of data-driven simulation to help understand the ramifications of algorithmic interventions in public systems.
• Abstract（参考訳）: ニューヨーク州の養護ケアシステムを通じて若者の軌跡をモデル化しシミュレートするための分析パイプラインを導入する。 我々の目標は、これらの介入が実際に実施され、何千人もの若者の生活に影響を与える前に、ケアシステムの目標を達成する能力にどのように影響するかを予測することである。 ここでは、人種的平等と、2018年の家族第一予防サービス法(FFPSA)が規定したように、すべての若者を養護ケアから遠ざけることに焦点を当てる。 私たちはまた、若者がケアを必要としているかどうかを判断することを目的とした、米国内の他の場所で実施される予測モデルである、特定の潜在的な介入にも焦点を当てています。 われわれの方法では、ニューヨークにおけるこの予測モデルの実装が、人種的平等とケアの青少年の数にどのように影響するかを調べる。 他のシミュレーションモデルと同様に、最終的にはモデリングの仮定に依存するが、モデルが必ずしもどちらの目標も達成しないという証拠が見つかる。 主に,公共システムにおけるアルゴリズム介入の影響を理解するために,データ駆動型シミュレーションの利用をさらに促進することを目的としている。

関連論文リスト

• Challenges in Video-Based Infant Action Recognition: A Critical Examination of the State of the Art [9.327466428403916]
  InfActPrimitive’という,5つの重要な幼児マイルストーンアクションカテゴリを含む,画期的なデータセットを紹介します。 近縁骨格に基づく行動認識モデルを用いた広範囲な比較分析を行う。 以上の結果から,PoseC3Dモデルでは約71%の精度で高い精度を達成できたが,残りのモデルでは乳幼児行動の動態を正確に把握することが困難であった。
  論文  参考訳（メタデータ） (2023-11-21T02:36:47Z)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• Toward Improving Predictive Risk Modelling for New Zealand's Child Welfare System Using Clustering Methods [0.0]
  本研究の目的は,児童虐待の予測リスクモデル開発における早期段階として,クラスタリングの度合いを明らかにすることである。 以上の結果から, ある年齢の子供に対して, 誤差率のさらなる制御とモデル精度の向上のために, 個別のモデルを開発する必要がある可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-08T05:46:03Z)
• 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)
• Policy Optimization for Personalized Interventions in Behavioral Health [8.10897203067601]
  デジタルプラットフォームを通じて提供される行動的健康介入は、健康結果を大幅に改善する可能性がある。 患者に対するパーソナライズされた介入を最適化して長期的効果を最大化する問題について検討した。 患者システムの状態空間を個別のレベルに分解するDecompPIをダブする新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-21T21:42:03Z)
• Zero-shot causal learning [64.9368337542558]
  CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。 トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
  論文  参考訳（メタデータ） (2023-01-28T20:14:11Z)
• A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
  アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。 本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。 本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
  論文  参考訳（メタデータ） (2022-11-16T20:00:38Z)
• Mutual Information Scoring: Increasing Interpretability in Categorical Clustering Tasks with Applications to Child Welfare Data [6.651036327739043]
  アメリカの里親制度の若者は、同僚よりも多くの否定的な人生の結果に直面する可能性がかなり高い。 これらの若さに関するデータは、より良い生活への道筋を見極めるのに役立つ洞察を提供する可能性がある。 本研究は、これらのデータを用いて、データバイアスと、追跡するシステムと若者の両方に関する洞察を提供するための、新しい規範的アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-03T01:11:09Z)
• Boosting the interpretability of clinical risk scores with intervention predictions [59.22442473992704]
  本稿では、今後の介入に関するモデルの仮定を明確に伝達する手段として、介入政策と有害事象リスクの合同モデルを提案する。 死亡確率などの典型的なリスクスコアと将来の介入確率スコアとを組み合わせることで、より解釈可能な臨床予測がもたらされることを示す。
  論文  参考訳（メタデータ） (2022-07-06T19:49:42Z)
• Adversarial Intrinsic Motivation for Reinforcement Learning [60.322878138199364]
  政策状態の訪問分布と目標分布とのワッサースタイン-1距離が強化学習タスクに有効に活用できるかどうかを検討する。 我々のアプローチは、AIM (Adversarial Intrinsic Motivation) と呼ばれ、このワッサーシュタイン-1距離をその双対目的を通して推定し、補足報酬関数を計算する。
  論文  参考訳（メタデータ） (2021-05-27T17:51:34Z)
• C-Learning: Learning to Achieve Goals via Recursive Classification [163.7610618571879]
  自律エージェントの将来の状態分布を予測・制御する問題について検討する。 我々の研究は、密度推定としてゴール条件付きRLの基礎を定めている。
  論文  参考訳（メタデータ） (2020-11-17T19:58:56Z)

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。