論文の概要: Discretionary Trees: Understanding Street-Level Bureaucracy via Machine Learning

• arxiv url: http://arxiv.org/abs/2312.10694v1
• Date: Sun, 17 Dec 2023 12:08:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-19 14:55:02.270356
• Title: Discretionary Trees: Understanding Street-Level Bureaucracy via Machine Learning
• Title（参考訳）: 離散木:機械学習による街頭官僚主義の理解
• Authors: Gaurab Pokharel, Sanmay Das, Patrick J. Fowler
• Abstract要約: 我々は、街頭官僚の行動を理解するために機械学習技術を用いる。 単純な決定規則に従わない決定は、ケースワーナーの判断の応用と見なすことができると我々は論じる。
• 参考スコア（独自算出の注目度）: 11.74020933567308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Street-level bureaucrats interact directly with people on behalf of government agencies to perform a wide range of functions, including, for example, administering social services and policing. A key feature of street-level bureaucracy is that the civil servants, while tasked with implementing agency policy, are also granted significant discretion in how they choose to apply that policy in individual cases. Using that discretion could be beneficial, as it allows for exceptions to policies based on human interactions and evaluations, but it could also allow biases and inequities to seep into important domains of societal resource allocation. In this paper, we use machine learning techniques to understand street-level bureaucrats' behavior. We leverage a rich dataset that combines demographic and other information on households with information on which homelessness interventions they were assigned during a period when assignments were not formulaic. We find that caseworker decisions in this time are highly predictable overall, and some, but not all of this predictivity can be captured by simple decision rules. We theorize that the decisions not captured by the simple decision rules can be considered applications of caseworker discretion. These discretionary decisions are far from random in both the characteristics of such households and in terms of the outcomes of the decisions. Caseworkers typically only apply discretion to households that would be considered less vulnerable. When they do apply discretion to assign households to more intensive interventions, the marginal benefits to those households are significantly higher than would be expected if the households were chosen at random; there is no similar reduction in marginal benefit to households that are discretionarily allocated less intensive interventions, suggesting that caseworkers are improving outcomes using their knowledge.
• Abstract（参考訳）: ストリートレベルの官僚は、例えば社会サービスや警察の管理など、幅広い機能を実行するために、政府機関に代わって直接人々と対話する。 ストリートレベルの官僚主義の重要な特徴は、公務員が代理店の政策を遂行する一方で、個別のケースにその政策を適用する方法に大きな裁量を受けることである。 この判断を使用することは、人間の相互作用や評価に基づくポリシーの例外を許容するだけでなく、バイアスや不平等が社会的資源配分の重要な領域に浸透することを可能にするため、有益である。 本稿では,街頭官僚の行動を理解するために機械学習技術を用いる。 課題が定式化されていない期間に割り当てられたホームレスの介入に関する情報と、世帯の人口統計やその他の情報を組み合わせた、豊富なデータセットを活用する。 この時点でのケースワーカの決定は全体として非常に予測可能であり、いくつかのケースでは、これらの予測性はすべて単純な決定ルールによって捉えられるわけではない。 単純な決定規則に従わない決定は、ケースワーナーの判断の応用と見なすことができると我々は論じる。 これらの決定は、そのような家庭の特徴と、決定の結果の両面において、決してランダムではない。 ケースワーカーは通常、脆弱でないと考えられる家庭にのみ裁量を適用する。 世帯をより集中的な介入に割り当てる判断を下すと、それらの世帯に対する限界利益は、ランダムに選択された場合よりもはるかに高くなり、排他的に少ない集中的な介入を割り当てられた世帯に対する限界利益は、同様に減少せず、事例労働者が自分の知識を用いて成果を向上していることを示唆している。

関連論文リスト

• Criticality and Safety Margins for Reinforcement Learning [53.10194953873209]
  我々は,定量化基盤真理とユーザにとっての明確な意義の両面から,批判的枠組みを定めようとしている。 エージェントがn連続的ランダム動作に対するポリシーから逸脱した場合の報酬の減少として真臨界を導入する。 我々はまた、真の臨界と統計的に単調な関係を持つ低オーバーヘッド計量であるプロキシ臨界の概念も導入する。
  論文  参考訳（メタデータ） (2024-09-26T21:00:45Z)
• 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)
• The Relative Value of Prediction in Algorithmic Decision Making [0.0]
  アルゴリズムによる意思決定における予測の相対的な価値は何か? 我々は,拡張アクセスの相対値を決定する,単純でシャープな条件を同定する。 本稿では,これらの理論的洞察を用いて,アルゴリズムによる意思決定システムの設計を現実的に導く方法について述べる。
  論文  参考訳（メタデータ） (2023-12-13T20:52:45Z)
• Policy Learning with Distributional Welfare [1.0742675209112622]
  治療選択に関する文献の多くは、条件平均治療効果(ATE)に基づく実用的福祉を考慮したものである。 本稿では,個別処理効果(QoTE)の条件量子化に基づく処理を最適に割り当てる政策を提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:51:30Z)
• Inference for relative sparsity [0.0]
  医学応用においては,不確実性の特徴付けが不可欠であるため,相対的疎度目的関数の推論が重要である。 相対的な空間的目的は不安定で二項作用の場合において無限に推定される不注意な値関数に依存するため、推論は困難である。 これらの課題に対処するため、相対的疎度目標内に重み付けされた信頼地域政策最適化機能を組み込み、適応的相対的疎度ペナルティを実装し、選択後推論のためのサンプル分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-25T17:14:45Z)
• 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)
• Long-term dynamics of fairness: understanding the impact of data-driven targeted help on job seekers [1.357291726431012]
  我々は、統計と機械学習を組み合わせたアプローチを用いて、労働市場の介入による長期的な公正効果を評価する。 我々は、求職者を選択的に支援する公共雇用機関による意思決定の影響を調べるためのモデルを開発し、利用する。 実世界のシステムにおけるトレードオフの定量化と長期的公正効果を評価するためには、周辺労働市場の慎重なモデリングが不可欠である。
  論文  参考訳（メタデータ） (2022-08-17T12:03:23Z)
• 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)
• Learning to be Fair: A Consequentialist Approach to Equitable Decision-Making [21.152377319502705]
  等価なアルゴリズムを設計するための代替フレームワークを提案する。 このアプローチでは、まず第一に、決定の可能な空間よりも利害関係者の選好を導きます。 次に、決定ポリシーの空間を最適化し、提案されたユーティリティを最大化する方法でトレードオフを行います。
  論文  参考訳（メタデータ） (2021-09-18T00:30:43Z)
• Decision Making with Differential Privacy under a Fairness Lens [65.16089054531395]
  アメリカ国勢調査局は、多くの重要な意思決定プロセスの入力として使用される個人のグループに関するデータセットと統計を公表している。 プライバシと機密性要件に従うために、これらの機関は、しばしば、プライバシを保存するバージョンのデータを公開する必要がある。 本稿では,差分的プライベートデータセットのリリースについて検討し,公平性の観点から重要な資源配分タスクに与える影響を考察する。
  論文  参考訳（メタデータ） (2021-05-16T21:04:19Z)
• Privacy-Constrained Policies via Mutual Information Regularized Policy Gradients [54.98496284653234]
  報酬を最大化しつつ、行動を通じて特定の機密状態変数の開示を最小限に抑えながら、報酬を最大化する政策を訓練する課題を考察する。 本稿では, 感性状態と行動の相互情報に基づく正則化器を導入することで, この問題を解決する。 プライバシ制約のあるポリシーを最適化するためのモデルベース推定器を開発した。
  論文  参考訳（メタデータ） (2020-12-30T03:22:35Z)

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。