論文の概要: Contextual Stochastic Optimization for School Desegregation Policymaking
- arxiv url: http://arxiv.org/abs/2408.12572v1
- Date: Thu, 22 Aug 2024 17:40:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-23 13:02:30.259716
- Title: Contextual Stochastic Optimization for School Desegregation Policymaking
- Title（参考訳）: 学校分離政策作成のための文脈確率最適化
- Authors: Hongzhao Guan, Nabeel Gillani, Tyler Simko, Jasmine Mangat, Pascal Van Hentenryck,
- Abstract要約: 本稿では、選択による再限定(RWC)と呼ばれる、共同再限定と選択モデリングの枠組みを開発する。
RWCの主な方法論的貢献は、地域全体の相違を最小化する文脈最適化モデルである。
結果は、学校の選択を予測することは、難しい機械学習の問題であることも明らかにした。
- 参考スコア（独自算出の注目度）: 13.670408636443831
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most US school districts draw geographic "attendance zones" to assign children to schools based on their home address, a process that can codify existing neighborhood racial/ethnic and socioeconomic status (SES) segregation in schools. Redrawing boundaries can reduce segregation, but estimating the rezoning impact is challenging as families can opt-out of their assigned schools. This paper is an attempt to address this societal problem: it develops a joint redistricting and choice modeling framework, called redistricting with choices (RWC). The RWC framework is applied to a large US public school district for estimating how redrawing elementary school boundaries in the district might realistically impact levels of socioeconomic segregation. The main methodological contribution of the RWC is a contextual stochastic optimization model that minimizes district-wide dissimilarity, and integrates the rezoning constraints and a school choice model for the students obtained through machine learning. The key finding of the study is the observation that RWC yields boundary changes that might reduce segregation by a substantial amount (23%) -- but doing so might require the re-assignment of a large number of students, likely to mitigate re-segregation that choice patterns could exacerbate. The results also reveal that predicting school choice is a challenging machine learning problem. Overall, this study offers a novel practical framework that both academics and policymakers might use to foster more diverse and integrated schools.
- Abstract（参考訳）: アメリカ合衆国内のほとんどの教育学区は、学校内の人種・民族・社会経済的地位(SES)の分離を体系化する過程である、その住所に基づいて、子供たちを学校に割り当てるために地理的な「参加ゾーン」を描いている。
再描画境界は分離を減らすことができるが、家族が割り当てられた学校をオプトアウトできるため、再分割の影響を見積もることは困難である。
本稿では、この社会的問題に対処する試みとして、選択による再限定(RWC)と呼ばれる、共同再限定と選択モデリングの枠組みを開発する。
RWCフレームワークは、この地区の小学校境界の再描画が社会経済的分離のレベルにどのように影響するかを推定するために、米国の大きな公立教育学区に適用される。
RWCの主な方法論的貢献は、地域全体の相違を最小限に抑える文脈確率的最適化モデルであり、機械学習によって得られた学生の配置制約と学校選択モデルを統合する。
この研究の鍵となる発見は、RWCが分離を減らす可能性のある境界線の変化を相当量(23%)減少させるという観察であるが、それを行うには、選択パターンが悪化する可能性のある再分離を緩和する多くの学生の再割り当てが必要になる可能性がある。
結果は、学校の選択を予測することは、難しい機械学習の問題であることも明らかにした。
全体として、この研究は、学者と政策立案者の両方が、より多様で統合された学校を育むために使用できる、新しい実践的枠組みを提供する。
関連論文リスト
- Combating Representation Learning Disparity with Geometric Harmonization [50.29859682439571]
本稿では,表現学習におけるカテゴリレベルの均一性を促進するために,新しい幾何調和法を提案する。
我々の提案はSSLの設定を変更せず、低コストで既存のメソッドに容易に統合できる。
論文 参考訳（メタデータ） (2023-10-26T17:41:11Z) - Impacts of Differential Privacy on Fostering more Racially and
Ethnically Diverse Elementary Schools [18.35063779220618]
アメリカ合衆国国勢調査局は、2020年の国勢調査リリースの事実上のプライバシー保護標準である差分プライバシーを採用した。
この変更は、政治的再分権やその他の高額な慣行のような政策決定に影響を与える可能性がある。
このようなデータの未調査かつ重要な応用の1つは、人口隔離の少ない学校を育むために、学校に通う境界を再描画することである。
論文 参考訳（メタデータ） (2023-05-12T21:06:15Z) - All a-board: sharing educational data science research with school
districts [20.799163734027466]
ランダム化された電子メールのアウトリーチ実験と調査を行い、地方教育学区が境界変化にどう反応するかを調査した。
800以上の教育学区の約4,320人の教育委員会委員が、潜在的な境界変更を知らせた。
この研究のメディア報道は、特に分離された地域では、ダッシュボードのエンゲージメントを高めている。
論文 参考訳（メタデータ） (2023-04-18T13:03:05Z) - Redrawing attendance boundaries to promote racial and ethnic diversity
in elementary schools [31.737460075609103]
合衆国のほとんどの教育学区は、生徒を自宅近くの学校に割り当てるために「通学境界」を描いている。
我々は、小学生300万人以上を対象とする98の教育学区の代替的境界をシミュレートする。
以上の結果から,家族にとって大きな混乱を伴わない統合の可能性が示唆された。
論文 参考訳（メタデータ） (2023-03-14T02:50:40Z) - Estimating Geographic Spillover Effects of COVID-19 Policies From
Large-Scale Mobility Networks [54.90772000796717]
郡レベルの政策は地域間の柔軟性を提供するが、地理的な流出がある場合には効果が低下する可能性がある。
我々は、数十億のタイムスタンプを持つ移動ネットワークを用いて、流出量を推定する。
郡レベルの制限は、モビリティを減らすための州全体の制限と同等に有効である。
論文 参考訳（メタデータ） (2022-12-12T20:16:54Z) - On the Complexity of Adversarial Decision Making [101.14158787665252]
決定推定係数は, 相手の意思決定に対する後悔度を低く抑えるのに必要であり, 十分であることを示す。
我々は、決定推定係数を他のよく知られた複雑性尺度の変種に結びつける新しい構造結果を提供する。
論文 参考訳（メタデータ） (2022-06-27T06:20:37Z) - Supervised learning of sheared distributions using linearized optimal
transport [64.53761005509386]
本稿では,確率測度空間における教師付き学習課題について検討する。
最適輸送フレームワークを用いて確率測度の空間を$L2$空間に埋め込むことでこの問題に対処する。
正規の機械学習技術は線形分離性を達成するために使われる。
論文 参考訳（メタデータ） (2022-01-25T19:19:59Z) - Modeling Assumptions Clash with the Real World: Transparency, Equity,
and Community Challenges for Student Assignment Algorithms [16.823029377470366]
多くの教育学区が、生徒を公立学校に割り当てるためのマッチングアルゴリズムに目を向けている。
我々は,このシステムを価値感性設計アプローチを用いて分析し,実際に価値が満たされていない理由の1つとして,家族の優先順位に関する仮定のモデル化に依存することを挙げる。
我々は、直接的かつ継続的な利害関係者との関わりが、アルゴリズム的価値と現実世界の条件との整合の中心であると主張する。
論文 参考訳（メタデータ） (2021-01-25T19:29:39Z) - Magnify Your Population: Statistical Downscaling to Augment the Spatial
Resolution of Socioeconomic Census Data [48.7576911714538]
重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。
選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。
本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
論文 参考訳（メタデータ） (2020-06-23T16:52:18Z) - 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) - From Matching with Diversity Constraints to Matching with Regional
Quotas [51.33676030875284]
分布制約に適合する2つの重要な公理の間の公式な関係を示す。
1)に対する実現可能かつ安定な結果が存在するかどうかを確認することはNP完全であることを示す。
病院医師と地域基準との整合性に関するさらなる発展が,学校選択と多様性の両立につながると結論づける。
論文 参考訳（メタデータ） (2020-02-17T02:51:46Z)
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。