预测学生成功中的公平性权衡评估
计算机与社会
2020-07-02 v1 机器学习
摘要
用于早期识别高危学生的预测模型可帮助教学人员调配资源以更好地支持他们，但人们对教育领域算法系统的公平性日益担忧。预测模型可能无意中对获得支持的对象引入偏差，从而加剧现有的不平等。我们通过基于大学行政记录构建学生成功预测模型来审视此问题。我们发现，在考虑的三项公平性度量中有两项该模型表现出性别与种族偏差。随后我们应用事后调整来提升模型公平性，以凸显三项公平性度量之间的权衡。
引用
@article{arxiv.2007.00088,
title = {Evaluation of Fairness Trade-offs in Predicting Student Success},
author = {Hansol Lee and René F. Kizilcec},
journal= {arXiv preprint arXiv:2007.00088},
year = {2020}
}
备注
FATED (Fairness, Accountability, and Transparency in Educational Data) Workshop at EDM 2020