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

• Trading off performance and human oversight in algorithmic policy: evidence from Danish college admissions [11.378331161188022]
  学生の退学は教育機関にとって重要な関心事である。 シーケンシャルなAIモデルはより正確で公正な予測を提供する。 入場決定を導くための単純なAIモデルでさえ、大きな経済的利益をもたらすと見積もっている。
  論文  参考訳（メタデータ） (2024-11-22T21:12:54Z)
• 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)
• 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。