論文の概要: Toward Improving Predictive Risk Modelling for New Zealand's Child Welfare System Using Clustering Methods

• arxiv url: http://arxiv.org/abs/2308.04060v1
• Date: Tue, 8 Aug 2023 05:46:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-09 13:53:54.497655
• Title: Toward Improving Predictive Risk Modelling for New Zealand's Child Welfare System Using Clustering Methods
• Title（参考訳）: クラスタリング手法によるニュージーランドの児童福祉システムの予測リスクモデルの改善に向けて
• Authors: Sahar Barmomanesh and Victor Miranda-Soberanis
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The combination of clinical judgement and predictive risk models crucially assist social workers to segregate children at risk of maltreatment and decide when authorities should intervene. Predictive risk modelling to address this matter has been initiated by several governmental welfare authorities worldwide involving administrative data and machine learning algorithms. While previous studies have investigated risk factors relating to child maltreatment, several gaps remain as to understanding how such risk factors interact and whether predictive risk models perform differently for children with different features. By integrating Principal Component Analysis and K-Means clustering, this paper presents initial findings of our work on the identification of such features as well as their potential effect on current risk modelling frameworks. This approach allows examining existent, unidentified yet, clusters of New Zealand (NZ) children reported with care and protection concerns, as well as to analyse their inner structure, and evaluate the performance of prediction models trained cluster wise. We aim to discover the extent of clustering degree required as an early step in the development of predictive risk models for child maltreatment and so enhance the accuracy of such models intended for use by child protection authorities. The results from testing LASSO logistic regression models trained on identified clusters revealed no significant difference in their performance. The models, however, performed slightly better for two clusters including younger children. our results suggest that separate models might need to be developed for children of certain age to gain additional control over the error rates and to improve model accuracy. While results are promising, more evidence is needed to draw definitive conclusions, and further investigation is necessary.
• Abstract（参考訳）: 臨床的判断と予測的リスクモデルの組み合わせは、社会労働者が児童を虐待のリスクで隔離し、当局が介入すべき時期を決定するために重要な助けとなる。 この問題に対処するための予測リスクモデリングは、行政データと機械学習アルゴリズムを含む世界中の政府福祉当局によって始められた。 これまでの研究は、子供の虐待に関連するリスク要因を調査してきたが、これらのリスク要因がどのように相互作用するか、予測リスクモデルが異なる特徴を持つ子供に対して異なる機能を持つのかを理解するために、いくつかのギャップが残っている。 本稿では,主成分分析とK-平均クラスタリングを統合することで,これらの特徴の同定と,現在のリスクモデリングフレームワークに対する潜在的な影響を明らかにする。 このアプローチにより、ニュージーランド(NZ)の子供たちのケアと保護に関する懸念が報告された存在、未確認のクラスターを調べ、内部構造を分析し、訓練されたクラスターの賢明な予測モデルの性能を評価することができる。 本研究の目的は,児童虐待の予測リスクモデルの開発に必要となるクラスタリングの程度を明らかにすることであり,児童保護当局が利用しようとするモデルの精度を高めることである。 同一クラスタ上で学習したLASSOロジスティック回帰モデルの結果, 性能に有意な差は認められなかった。 しかし、これらのモデルは、幼児を含む2つのクラスターに対してわずかに改善された。 以上の結果から,特定の年齢の子どもに対して,誤差率のコントロールやモデルの精度向上のために,別のモデルを開発する必要があることが示唆された。 結果は有望だが、結論を出すにはさらなる証拠が必要であり、さらなる調査が必要である。

関連論文リスト

• A hierarchical approach for assessing the vulnerability of tree-based classification models to membership inference attack [0.552480439325792]
  機械学習モデルは、トレーニングデータの秘密プロパティを不注意に公開し、メンバシップ推論攻撃(MIA)に対して脆弱になる。 本稿では、脆弱な木に基づくモデルを効率的に同定するための2つの新しい補完的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-13T15:16:53Z)
• Predicting Preschoolers' Externalizing Problems with Mother-Child Interaction Dynamics and Deep Learning [7.323141824828041]
  これまでの研究では、母親が子どもの抑うつに反応して支援を行うのが、子どもの外部化問題のレベルが低かったことが示されている。 本研究は,母子間相互作用のダイナミクスを用いて,子どもの外部化問題の予測精度を評価・改善することを目的とする。
  論文  参考訳（メタデータ） (2024-12-29T14:22:48Z)
• Neural Lineage [56.34149480207817]
  本稿では,親子間の系統関係の発見を目的としたニューラルライン検出という新しいタスクを提案する。 実用上,ニューラルネットワーク表現類似度指標に微調整プロセスの近似を組み込んだ学習自由アプローチを導入する。 精度を追求するために,エンコーダと変圧器検出器からなる学習系系統検出装置を導入する。
  論文  参考訳（メタデータ） (2024-06-17T01:11:53Z)
• Towards a Transportable Causal Network Model Based on Observational Healthcare Data [1.333879175460266]
  本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。 このモデルは、患者の2つの異なるコホートからなるデータから学習する。 結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
  論文  参考訳（メタデータ） (2023-11-13T13:23:31Z)
• Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
  本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。 デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。 これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
  論文  参考訳（メタデータ） (2023-07-12T01:11:52Z)
• Examining risks of racial biases in NLP tools for child protective services [78.81107364902958]
  児童保護サービス(CPS)に焦点をあてる。 この設定で確立された人種的偏見を考えると、NLPの展開は人種格差を増大させる可能性がある。 我々は、NERモデルにおける一貫したアルゴリズムの不公平性、コア参照解決モデルにおけるアルゴリズムの不公平性、およびリスク予測における人種バイアスの悪化の証拠を文書化している。
  論文  参考訳（メタデータ） (2023-05-30T21:00:47Z)
• On (assessing) the fairness of risk score models [2.0646127669654826]
  リスクモデルは、ユーザに対して潜在的な結果について不確実性を伝えるという事実など、さまざまな理由から関心を集めている。 リスクスコアフェアネスの鍵となるデシダータムとして,異なるグループに類似した価値を提供する。 本稿では,従来提案されていた基準値よりも試料径バイアスが少ない新しい校正誤差指標を提案する。
  論文  参考訳（メタデータ） (2023-02-17T12:45:51Z)
• Are Neural Topic Models Broken? [81.15470302729638]
  トピックモデルの自動評価と人的評価の関係について検討する。 ニューラルトピックモデルは、確立された古典的手法と比較して、両方の点においてより悪くなる。
  論文  参考訳（メタデータ） (2022-10-28T14:38:50Z)
• ML-Doctor: Holistic Risk Assessment of Inference Attacks Against Machine Learning Models [64.03398193325572]
  機械学習(ML)モデルに対する推論攻撃により、敵はトレーニングデータやモデルパラメータなどを学ぶことができる。 私たちは、メンバシップ推論、モデル反転、属性推論、モデル盗難の4つの攻撃に集中しています。 私たちの分析では、MLモデルオーナがモデルをデプロイするリスクを評価することができる、モジュール化された再使用可能なソフトウェアであるML-Doctorに依存しています。
  論文  参考訳（メタデータ） (2021-02-04T11:35:13Z)
• The Consequences of the Framing of Machine Learning Risk Prediction Models: Evaluation of Sepsis in General Wards [0.0]
  フレーミングがモデル性能とモデル学習に与える影響を4つの異なるアプローチで評価する。 デンマークの4自治体の221,283人の二次医療データを分析した。
  論文  参考訳（メタデータ） (2021-01-26T14:00:05Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)

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。