論文の概要: Difficult Lessons on Social Prediction from Wisconsin Public Schools
- arxiv url: http://arxiv.org/abs/2304.06205v2
- Date: Mon, 18 Sep 2023 13:57:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 00:21:50.456936
- 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。
- 参考スコア(独自算出の注目度): 32.90759447739759
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Early warning systems (EWS) are predictive tools at the center of recent
efforts to improve graduation rates in public schools across the United States.
These systems assist in targeting interventions to individual students by
predicting which students are at risk of dropping out. Despite significant
investments in their widespread adoption, there remain large gaps in our
understanding of the efficacy of EWS, and the role of statistical risk scores
in education.
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 empirical evidence
that the prediction system accurately sorts students by their dropout risk. We
also find that it may have caused a single-digit percentage increase in
graduation rates, though our empirical analyses cannot reliably rule out that
there has been no positive treatment effect.
Going beyond a retrospective evaluation of DEWS, we draw attention to a
central question at the heart of the use of EWS: Are individual risk scores
necessary for effectively targeting interventions? We propose a simple
mechanism that only uses information about students' environments -- such as
their schools, and districts -- and argue that this mechanism can target
interventions just as efficiently as the individual risk score-based mechanism.
Our argument holds even if individual predictions are highly accurate and
effective interventions exist. In addition to motivating this simple targeting
mechanism, our work provides a novel empirical backbone for the robust
qualitative understanding among education researchers that dropout is
structurally determined. Combined, our insights call into question the marginal
value of individual predictions in settings where outcomes are driven by high
levels of inequality.
- Abstract(参考訳): 早期警戒システム(EWS)は、全米の公立学校での卒業率向上に向けた最近の取り組みの中心にある予測ツールである。
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の有効性の理解と教育における統計的リスクスコアの役割には大きなギャップが残っている。
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。
予測システムが学生の脱落リスクによって正確に分類できることを実証的に示す。
また, 卒業率を1桁増やした可能性も示唆したが, 実証分析の結果, 肯定的な治療効果が認められていないことは確実に否定できない。
edwのふりかえり評価を超えて、私たちはewsの使用の核心にある中心的な疑問に注意を向ける: 介入を効果的にターゲットするために、個々のリスクスコアは必要か?
我々は,生徒の学校や学区などの環境に関する情報のみを利用する簡単なメカニズムを提案し,このメカニズムは個々のリスクスコアに基づくメカニズムと同じくらい効率的に介入を目標とすることができると主張する。
個々の予測が極めて正確で効果的な介入が存在するとしても、議論は継続する。
この単純なターゲティングメカニズムの動機付けに加えて、我々の研究は、ドロップアウトが構造的に決定されるという教育研究者の間で、堅牢な質的理解のための新しい実証的なバックボーンを提供する。
我々の洞察は、結果が高レベルの不平等によって駆動される設定において、個々の予測の限界値に疑問を投げかける。
関連論文リスト
- On student-teacher deviations in distillation: does it pay to disobey? [65.50375609513323]
知識蒸留(KD)は、学生が訓練された「教師」ネットワークのソフトな確率を模倣するように訓練することで、学生のネットワークのテスト精度を向上させるために広く利用されている。
しかし、近年の研究では、教師の確率に合うように訓練されているにもかかわらず、学生はこれらの確率から著しく逸脱するだけでなく、教師よりも優れたパフォーマンスを発揮することが示されている。
本研究は,学生と教師の偏差の正確な性質を特徴付けることによって,この一見パラドックス的な観察を再現することを目的としている。
論文 参考訳(メタデータ) (2023-01-30T14:25:02Z) - 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) - Explainable Student Performance Prediction With Personalized Attention
for Explaining Why A Student Fails [0.5607676459156788]
パーソナライズド・アテンション(ESPA)を用いた新しい説明可能な学生パフォーマンス予測手法を提案する。
BiLSTMアーキテクチャは、特定のパターンで経路内の意味情報を抽出する。
ESPAは、学生のパフォーマンス予測のための他の最先端モデルよりも一貫して優れている。
論文 参考訳(メタデータ) (2021-10-15T08:45:43Z) - The Impact of Algorithmic Risk Assessments on Human Predictions and its
Analysis via Crowdsourcing Studies [79.66833203975729]
我々は,在職者が将来の再起を予測することを任務とするヴィグネット研究を行う。
参加者は、再逮捕の確率が50%よりかなり低いと判断しても、犯罪者が再逮捕されることをしばしば予測します。
裁判官の判断は、参加者の予測とは異なり、部分的には再逮捕の可能性がある要因に依存する。
論文 参考訳(メタデータ) (2021-09-03T11:09:10Z) - 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) - Off-policy Evaluation in Infinite-Horizon Reinforcement Learning with
Latent Confounders [62.54431888432302]
無限水平エルゴードマルコフ決定過程におけるOPE問題について考察する。
我々は、状態と行動の潜在変数モデルのみを考慮すれば、政策値が政治外のデータから特定できることを示す。
論文 参考訳(メタデータ) (2020-07-27T22:19:01Z) - 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。