論文の概要: A Conceptual Framework for Using Machine Learning to Support Child Welfare Decisions

• arxiv url: http://arxiv.org/abs/2207.05855v1
• Date: Tue, 12 Jul 2022 21:42:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-14 15:28:58.316091
• Title: A Conceptual Framework for Using Machine Learning to Support Child Welfare Decisions
• Title（参考訳）: 児童福祉意思決定を支援するための機械学習の概念的枠組み
• Authors: Ka Ho Brian Chor, Kit T. Rodolfa, Rayid Ghani
• Abstract要約: 本稿では、児童福祉決定を支援する機械学習の概念的枠組みについて述べる。 倫理的考慮、ステークホルダーの関与、共通の落とし穴の回避が、フレームワークの影響と成功を支えている。
• 参考スコア（独自算出の注目度）: 5.1760162371179
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human services systems make key decisions that impact individuals in the society. The U.S. child welfare system makes such decisions, from screening-in hotline reports of suspected abuse or neglect for child protective investigations, placing children in foster care, to returning children to permanent home settings. These complex and impactful decisions on children's lives rely on the judgment of child welfare decisionmakers. Child welfare agencies have been exploring ways to support these decisions with empirical, data-informed methods that include machine learning (ML). This paper describes a conceptual framework for ML to support child welfare decisions. The ML framework guides how child welfare agencies might conceptualize a target problem that ML can solve; vet available administrative data for building ML; formulate and develop ML specifications that mirror relevant populations and interventions the agencies are undertaking; deploy, evaluate, and monitor ML as child welfare context, policy, and practice change over time. Ethical considerations, stakeholder engagement, and avoidance of common pitfalls underpin the framework's impact and success. From abstract to concrete, we describe one application of this framework to support a child welfare decision. This ML framework, though child welfare-focused, is generalizable to solving other public policy problems.
• Abstract（参考訳）: ヒューマンサービスシステムは、社会の個人に影響を与える重要な決定をする。 児童福祉制度は、児童保護調査に対する虐待や軽視の疑いの報告をスクリーニングし、児童を養護施設に置き、子どもを恒久的な家庭環境に戻すなど、そのような決定を下している。 子どもの生活におけるこれらの複雑で影響力のある決定は、児童福祉決定者の判断に依存する。 児童福祉機関は、機械学習(ML)を含む実証的なデータインフォームド手法でこれらの決定を支援する方法を模索している。 本稿では、児童福祉決定を支援するためのMLの概念的枠組みについて述べる。 MLフレームワークは、児童福祉機関が、MLが解決できる対象の問題を概念化する方法、MLを構築するための利用可能な管理データを検証し、関連する人口と機関が行っている介入を反映したML仕様を策定し、開発すること、MLを児童福祉のコンテキストとして展開、評価、監視すること、政策、時間の経過とともに変化を実践することである。 倫理的考慮、ステークホルダーの関与、共通の落とし穴の回避が、フレームワークの影響と成功を支えている。 要約から具体的へ、この枠組みの児童福祉判断を支援する一つの応用について述べる。 このMLフレームワークは、児童福祉に重点を置いているが、他の公共政策の問題を解決するために一般化できる。

関連論文リスト

• Unbiasing on the Fly: Explanation-Guided Human Oversight of Machine Learning System Decisions [4.24106429730184]
  本稿では,デプロイされたMLシステムにおいて,オンザフライトラッキングと識別の補正のための新しいフレームワークを提案する。 このフレームワークは、MLシステムによる予測を継続的に監視し、差別的な結果をフラグ付けする。 このHuman-in-the-loopアプローチは、レビュアーがMLシステム決定を受け入れたり、無効にしたりすることを可能にする。
  論文  参考訳（メタデータ） (2024-06-25T19:40:55Z)
• I-SIRch: AI-Powered Concept Annotation Tool For Equitable Extraction And Analysis Of Safety Insights From Maternity Investigations [0.8609957371651683]
  医療データを分析するための現在のツールのほとんどは、人間の要素の重要性を見越して、バイオメディカルな概念にのみ焦点をあてている。 We developed I-SIRch, using AI to Automatic Identification and label human factors concept。 I-SIRchは実データを用いて訓練され、実データとシミュレーションデータの両方でテストし、人間の因子の概念を識別する性能を評価した。
  論文  参考訳（メタデータ） (2024-06-08T16:05:31Z)
• Causal Fairness for Outcome Control [68.12191782657437]
  本稿では,自動システムにおいて,公平かつ公平な結果変数を最適化することを目的とした,結果制御と呼ばれる特定の意思決定タスクについて検討する。 本稿では、まず因果レンズを通して利益の概念を分析し、特定の個人が肯定的な決定によってどれだけの利益を得られるかを明らかにする。 次に、保護された属性の影響を受けている可能性があることに留意し、これを分析するために使用できる因果的ツールを提案する。
  論文  参考訳（メタデータ） (2023-06-08T09:31:18Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• Imagining new futures beyond predictive systems in child welfare: A qualitative study with impacted stakeholders [89.6319385008397]
  児童福祉システムに影響を及ぼした利害関係者35名を対象に,7つのデザインワークショップを開催した。 対象者は,現在のPRMが児童福祉における既存の問題を持続的又は悪化させることを懸念した。 参加者は、データとデータ駆動ツールを使って、影響のあるコミュニティをより良くサポートする方法を提案した。
  論文  参考訳（メタデータ） (2022-05-18T13:49:55Z)
• Improving Human-AI Partnerships in Child Welfare: Understanding Worker Practices, Challenges, and Desires for Algorithmic Decision Support [37.03030554731032]
  児童福祉機関の一連のインタビューから得られた知見を,現在どのようにAI支援による児童虐待スクリーニングの意思決定を行っているかを理解するために提示する。 我々は,(1)AIモデルが捉える以上のリッチで文脈的な情報に対する労働者の信頼,(2)AIモデルの能力と限界に対する信念,(4)アルゴリズム的予測とそれ自身の意思決定目標との相違点の認識によって,労働者のADSへの信頼がいかに導かれるかを観察する。
  論文  参考訳（メタデータ） (2022-04-05T16:10:49Z)
• Inverse Online Learning: Understanding Non-Stationary and Reactionary Policies [79.60322329952453]
  エージェントが意思決定を行う方法の解釈可能な表現を開発する方法を示す。 一連の軌跡に基づく意思決定プロセスを理解することにより,このオンライン学習問題に対して,政策推論問題を逆問題とみなした。 本稿では、エージェントがそれらを更新するプロセスと並行して、その影響を遡及的に推定する実用的なアルゴリズムを提案する。 UNOSの臓器提供受諾決定の分析に応用することで、我々のアプローチは意思決定プロセスを管理する要因や時間とともにどのように変化するかに、貴重な洞察をもたらすことができることを実証する。
  論文  参考訳（メタデータ） (2022-03-14T17:40:42Z)
• Unpacking Invisible Work Practices, Constraints, and Latent Power Relationships in Child Welfare through Casenote Analysis [3.739243122393041]
  ケースワーマーは、チャイルドウェルフェア(CW)の家族に関する詳細な物語を書いている。 ケースノートは、現場のケースワーカーの経験を理解するためのユニークなレンズを提供する。 本研究は,ケースノートの最初の計算検査を行い,SIGCHIコミュニティに紹介する。
  論文  参考訳（メタデータ） (2022-03-10T05:48:22Z)
• Understanding the Usability Challenges of Machine Learning In High-Stakes Decision Making [67.72855777115772]
  機械学習(ML)は、多種多様な成長を続ける一連のドメインに適用されている。 多くの場合、MLやデータサイエンスの専門知識を持たないドメインの専門家は、ML予測を使用してハイステークな意思決定を行うように求められます。 児童福祉スクリーニングにおけるMLユーザビリティの課題について,児童福祉スクリーニング者との一連のコラボレーションを通じて検討する。
  論文  参考訳（メタデータ） (2021-03-02T22:50:45Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)

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。