論文の概要: Algorithms for College Admissions Decision Support: Impacts of Policy Change and Inherent Variability
- arxiv url: http://arxiv.org/abs/2407.11199v1
- Date: Mon, 24 Jun 2024 14:59:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 12:00:08.715459
- Title: Algorithms for College Admissions Decision Support: Impacts of Policy Change and Inherent Variability
- Title（参考訳）: 大学入学決定支援のためのアルゴリズム:政策変化と遺伝的多様性の影響
- Authors: Jinsook Lee, Emma Harvey, Joyce Zhou, Nikhil Garg, Thorsten Joachims, Rene F. Kizilcec,
- Abstract要約: 先進的な応募者ランキングアルゴリズムからレースデータを除去することで、そのプールの学力を高めることなく、トップランクのプールの多様性を低減できることを示す。
個人に対する政策変更の影響を、政策変更に起因する応募者の仲裁と無作為性に起因する仲裁とを比較して測定する。
- 参考スコア（独自算出の注目度）: 18.289154814012996
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Each year, selective American colleges sort through tens of thousands of applications to identify a first-year class that displays both academic merit and diversity. In the 2023-2024 admissions cycle, these colleges faced unprecedented challenges. First, the number of applications has been steadily growing. Second, test-optional policies that have remained in place since the COVID-19 pandemic limit access to key information historically predictive of academic success. Most recently, longstanding debates over affirmative action culminated in the Supreme Court banning race-conscious admissions. Colleges have explored machine learning (ML) models to address the issues of scale and missing test scores, often via ranking algorithms intended to focus on 'top' applicants. However, the Court's ruling will force changes to these models, which were able to consider race as a factor in ranking. There is currently a poor understanding of how these mandated changes will shape applicant ranking algorithms, and, by extension, admitted classes. We seek to address this by quantifying the impact of different admission policies on the applications prioritized for review. We show that removing race data from a developed applicant ranking algorithm reduces the diversity of the top-ranked pool without meaningfully increasing the academic merit of that pool. We contextualize this impact by showing that excluding data on applicant race has a greater impact than excluding other potentially informative variables like intended majors. Finally, we measure the impact of policy change on individuals by comparing the arbitrariness in applicant rank attributable to policy change to the arbitrariness attributable to randomness. We find that any given policy has a high degree of arbitrariness and that removing race data from the ranking algorithm increases arbitrariness in outcomes for most applicants.
- Abstract（参考訳）: 毎年、選択されたアメリカの大学は、学術的メリットと多様性の両方を示す1年生クラスを特定するために、数万の申請を分類している。
2023-2024年の入学サイクルでは、これらのカレッジは前例のない課題に直面した。
まず、アプリケーションの数は着実に増えている。
第二に、新型コロナウイルス(COVID-19)のパンデミック以降のテストオプション政策は、学術的成功を歴史的に予測する重要な情報へのアクセスを制限する。
最近では、肯定的な行動に関する長年にわたる議論が、人種意識の受け入れを禁じる最高裁判所で頂点に達した。
大学は、"トップ"の応募者に焦点を当てたランキングアルゴリズムを通じて、スケールとテストスコアの欠如の問題に対処するために、機械学習(ML)モデルを調査してきた。
しかし、裁判所の判決はこれらのモデルの変更を強制し、レースをランク付けの要因と見なすことができた。
現在、これらの強制的な変更がどのように応募者ランキングアルゴリズムを形成し、拡張によって認められたクラスを形成するかは理解されていない。
我々は、審査のために優先順位付けされたアプリケーションに対する異なる入場ポリシーの影響を定量化することで、この問題に対処しようとしている。
先進的な応募者ランキングアルゴリズムからレースデータを除去することで、そのプールの学力を高めることなく、トップランクのプールの多様性を低減できることを示す。
我々は、この影響を、応募者の人種に関するデータを除くことが、意図されたメジャーのような潜在的に有望な変数を除外するよりも大きな影響を与えることを示すことによって、文脈的に評価する。
最後に、個人に対する政策変更の影響を、政策変更に起因する応募者の仲裁と無作為性に起因する仲裁とを比較して測定する。
任意のポリシーが高い任意性を持ち、ランキングアルゴリズムからレースデータを除去することで、ほとんどの応募者にとって結果が任意性を向上させることが判明した。
関連論文リスト
- On the Use of Proxies in Political Ad Targeting [49.61009579554272]
我々は、主要な政治広告主がプロキシ属性をターゲットとして緩和を回避したことを示す。
本研究は政治広告の規制に関する議論に重要な意味を持つ。
論文 参考訳（メタデータ） (2024-10-18T17:15:13Z) - Auditing for Racial Discrimination in the Delivery of Education Ads [50.37313459134418]
本稿では,教育機会のための広告配信において,人種的偏見を評価できる新たな第三者監査手法を提案する。
メタのアルゴリズムによる教育機会の広告配信における人種差別の証拠を見つけ、法的および倫理的懸念を訴える。
論文 参考訳（メタデータ） (2024-06-02T02:00:55Z) - Regularization-Based Methods for Ordinal Quantification [49.606912965922504]
順序の場合、すなわち n>2 クラスの集合上で全順序が定義される場合について研究する。
本稿では,従来のアルゴリズムよりも優れた正規化OQアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-13T16:04:06Z) - FRAMM: Fair Ranking with Missing Modalities for Clinical Trial Site
Selection [55.2629939137135]
本稿では, 試行サイト選択作業に焦点をあて, 公正な試行サイト選択のための深層強化学習フレームワークであるFRAMMを提案する。
我々は、公正なトライアルサイトの選択に影響を与える2つの現実的な課題に対処することに重点を置いている。データモダリティは、多くの潜在的なトライアルサイトでは不十分であり、サイトのセレクションは、入試と多様性の両方を同時に最適化する必要がある。
FRAMMは2016年から2021年までの4,392の臨床試験で評価し,FRAMMが入学のみの設定において最上位のベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2023-05-30T20:44:14Z) - Evaluating a Learned Admission-Prediction Model as a Replacement for
Standardized Tests in College Admissions [21.70450099249114]
大学入学事務所は歴史的に、審査のために大規模な応募者プールを実行可能なサブセットに編成するために標準化されたテストスコアに依存してきた。
サブセット生成における標準化テストの役割を置き換えるための機械学習ベースのアプローチを検討する。
過去の入試データに基づいてトレーニングされた予測モデルはSATモデルよりも優れており、最終入試クラスの人口構成と一致していることがわかった。
論文 参考訳（メタデータ） (2023-02-07T17:14:26Z) - Integrating Rankings into Quantized Scores in Peer Review [61.27794774537103]
ピアレビューでは、レビュアーは通常、論文のスコアを提供するように求められます。
この問題を軽減するため、カンファレンスはレビュアーにレビューした論文のランキングを付加するように求め始めている。
このランキング情報を使用するための標準的な手順はなく、エリアチェアは異なる方法でそれを使用することができる。
我々は、ランキング情報をスコアに組み込むために、原則化されたアプローチを取る。
論文 参考訳（メタデータ） (2022-04-05T19:39:13Z) - An Outcome Test of Discrimination for Ranked Lists [0.18416014644193063]
非差別はモーメントの不等式を意味することを示す。
我々は、インプリケートされた不等式を統計的にテストする方法を示し、LinkedInのデータを用いてアプリケーションにおける我々のアプローチを検証する。
論文 参考訳（メタデータ） (2021-11-15T16:42:57Z) - PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。
ピランクは所望の指標をゼロ温度の限界で正確に回収する。
論文 参考訳（メタデータ） (2020-12-12T05:07:36Z) - Intersectional Affirmative Action Policies for Top-k Candidates
Selection [3.4961413413444817]
本研究では,トップk候補を応募者のプールから選抜する問題について検討する。
我々は,一部の候補者が歴史的かつ現在の不利を経験している状況を考える。
そこで本研究では,OECD国における学力評価と学士号取得のデータセットを用いて,この問題を解き,解析し,評価する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-29T12:27:18Z) - Towards Data-Driven Affirmative Action Policies under Uncertainty [3.9293125023197595]
我々は、承認された応募者数を過小評価されたグループから増やそうとする肯定的な行動方針を考察する。
このような方針は、申請期間の開始前に発表する必要があるため、各プログラムに適用される学生の得点分布について不確実性がある。
本稿では,過去のデータに基づいてトレーニングされた予測モデルを用いて,そのようなポリシーのパラメータを最適化する可能性について検討する。
論文 参考訳（メタデータ） (2020-07-02T15:37:16Z) - Sorting Big Data by Revealed Preference with Application to College
Ranking [0.0]
ビッグデータの観察をランク付けすると、多様な消費者が異質な好みを明らかにします。
適切にソートされたソリューションは、消費者が正しい選択をするのに役立ち、政府は賢明な政策決定を行う。
この手法はスポーツチームランキング、学術誌ランキング、投票、実効性のある為替レートなど、他の多くの分野にも適用できる。
論文 参考訳（メタデータ） (2020-03-27T01:11:47Z)
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。