大学录取决策支持算法：政策变化与固有变异性的影响

每年，美国精英大学都要从数万份申请中筛选出既体现学术水平又体现多样性的新生班级。在2023-2024年的招生周期中，这些大学面临着前所未有的挑战。首先，申请数量持续增长。其次，自COVID-19大流行以来一直实行的可选考试政策限制了获取历史上能预测学业成功的关键信息的途径。最近，关于平权行动的长期辩论以最高法院禁止考虑种族的招生政策而告终。大学已探索使用机器学习模型来解决规模问题和缺失考试成绩的问题，通常通过旨在聚焦“顶尖”申请者的排序算法。然而，最高法院的裁决将迫使这些模型发生改变，因为这些模型此前能够将种族作为排序的一个因素。目前，对于这些强制性的改变将如何影响申请者排序算法，以及进而影响录取班级的构成，人们知之甚少。我们试图通过量化不同招生政策对优先审查的申请的影响来解决这一问题。我们表明，从一个已开发的申请者排序算法中移除种族数据，会降低排名靠前申请者群体的多样性，而并未显著提高该群体的学术水平。我们通过展示排除申请者种族数据比排除其他潜在信息变量(如意向专业)具有更大的影响，来具体说明这种影响。最后，我们通过比较因政策变化导致的申请者排名任意性与因随机性导致的任意性，来衡量政策变化对个体的影响。我们发现，任何给定的政策都具有高度的任意性，并且从排序算法中移除种族数据会增加大多数申请者结果的任意性。