論文の概要: Difficult Lessons on Social Prediction from Wisconsin Public Schools

• arxiv url: http://arxiv.org/abs/2304.06205v1
• Date: Thu, 13 Apr 2023 00:59:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 15:59:44.954685
• Title: Difficult Lessons on Social Prediction from Wisconsin Public Schools
• Title（参考訳）: ウィスコンシン公立学校における社会予測の難しさ
• Authors: Juan C. Perdomo and Tolani Britton and Moritz Hardt and Rediet Abebe
• Abstract要約: 早期警報システム (EWS) は、最近卒業率向上の取り組みにおいて中心的な役割を果たした予測アルゴリズムである。 かなりの投資と採用にもかかわらず、私たちのEWSの有効性に対する理解には大きなギャップが残っています。 システムの精度と広く使われているにもかかわらず、卒業率が向上した証拠は見つからない。
• 参考スコア（独自算出の注目度）: 26.14165712860277
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Early warning systems (EWS) are prediction algorithms that have recently taken a central role in efforts to improve graduation rates in public schools across the US. These systems assist in targeting interventions at individual students by predicting which students are at risk of dropping out. Despite significant investments and adoption, there remain significant gaps in our understanding of the efficacy of EWS. In this work, we draw on nearly a decade's worth of data from a system used throughout Wisconsin to provide the first large-scale evaluation of the long-term impact of EWS on graduation outcomes. We present evidence that risk assessments made by the prediction system are highly accurate, including for students from marginalized backgrounds. Despite the system's accuracy and widespread use, we find no evidence that it has led to improved graduation rates. We surface a robust statistical pattern that can explain why these seemingly contradictory insights hold. Namely, environmental features, measured at the level of schools, contain significant signal about dropout risk. Within each school, however, academic outcomes are essentially independent of individual student performance. This empirical observation indicates that assigning all students within the same school the same probability of graduation is a nearly optimal prediction. Our work provides an empirical backbone for the robust, qualitative understanding among education researchers and policy-makers that dropout is structurally determined. The primary barrier to improving outcomes lies not in identifying students at risk of dropping out within specific schools, but rather in overcoming structural differences across different school districts. Our findings indicate that we should carefully evaluate the decision to fund early warning systems without also devoting resources to interventions tackling structural barriers.
• Abstract（参考訳）: 早期警戒システム (EWS) は、最近、全米の公立学校での卒業率向上の取り組みにおいて中心的な役割を果たした予測アルゴリズムである。 これらのシステムは、学生が退学するリスクがあるかを予測することで、個々の学生の介入を標的にすることを支援する。 かなりの投資と採用にもかかわらず、EWSの有効性の理解には大きなギャップが残っています。 本研究では、ウィスコンシン州全体で使用されているシステムから10年近く分のデータを抽出し、EWSの長期的影響が卒業結果に与える影響を初めて大規模に評価する。 本稿では,予測システムによるリスクアセスメントが極めて正確であることを示す。 システムの精度と広く使われているにもかかわらず、卒業率が向上した証拠は見つからない。 我々は、これらの一見矛盾した洞察が持つ理由を説明するロバストな統計パターンを提示する。 すなわち、学校レベルで測定された環境特性は、ドロップアウトリスクに関する重要なシグナルを含んでいる。 しかし、各校の成績は基本的に生徒の成績とは独立している。 この経験的観察は、同じ学校内のすべての生徒に同じ卒業確率を割り当てることは、ほぼ最適の予測であることを示している。 我々の研究は、教育研究者や政策立案者の間で、下降が構造的に決定される堅牢で質的な理解のための実証的なバックボーンを提供する。 結果を改善するための大きな障壁は、特定の学校を中退するリスクのある生徒を特定することではなく、異なる学区にまたがる構造的な違いを克服することにある。 本研究は,早期警戒システムに資金を投入する決定を,構造的障壁に対処する介入に資源を投入することなく慎重に検討すべきであることを示す。

関連論文リスト

• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• 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)
• A Simple and Practical Method for Reducing the Disparate Impact of Differential Privacy [21.098175634158043]
  差分的プライベート(DP)メカニズムは、様々なインパクトの高い社会環境に展開されている。 DPの実用性への影響はサブ集団によって大きく異なる。 この格差を減らすための簡単な方法は、成層化である。
  論文  参考訳（メタデータ） (2023-12-18T21:19:35Z)
• 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)
• Who will dropout from university? Academic risk prediction based on interpretable machine learning [0.0]
  LightGBMモデルとShapley値の解釈可能な機械学習手法に基づいて,学術的リスクを予測する。 地域の観点からは、学術的リスクに影響する要因は人によって異なる。
  論文  参考訳（メタデータ） (2021-12-02T09:43:31Z)
• Should College Dropout Prediction Models Include Protected Attributes? [0.4125187280299248]
  機械学習モデルを構築し、1学年後に学生のドロップアウトを予測する。 モデル予測の全体的な性能と公平性を、4つの保護属性の有無で比較する。 保護属性を含むと、全体的な予測性能に影響を与えず、予測のアルゴリズム的公正さをわずかに改善することを発見した。
  論文  参考訳（メタデータ） (2021-03-28T22:47:30Z)
• Predicting Early Dropout: Calibration and Algorithmic Fairness Considerations [2.7048165023994057]
  本研究では,大学中退のリスクを予測できる機械学習手法を開発した。 予測精度(AUC)および誤差率(一般化偽陽性率、GFPR、一般化偽陰性率、GFNR)の観点から、この方法が一部の敏感群の識別結果につながるかどうかを分析します。
  論文  参考訳（メタデータ） (2021-03-16T13:42:16Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• 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)
• Reducing the Filtering Effect in Public School Admissions: A Bias-aware Analysis for Targeted Interventions [7.50215102665518]
  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。
  論文  参考訳（メタデータ） (2020-04-22T20:50:31Z)

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。