在帮助需要帮助的人时学习处理效应

许多社会项目试图将稀缺资源分配给需求最大的人。事实上，公共服务日益增加地使用以算法风险评估来实现这一目标。然而，针对需求最高的受众者往往与试图整体评估项目的因果效应相冲突，因为最佳评估通常需要随机化分配。我们提出了一种框架，用于设计随机化分配规则，以在针对高需求个体与学习处理效应之间实现最佳平衡，为政策制定者提供一条帕累托前沿。在我们给出样本复杂度保证的政策学习问题中，并提供一种计算高效的实现策略。我们随后与阿尔加尼县(宾夕法尼亚州)的人力服务部门合作，在真实服务交付情境的数据上评估了我们的方法。优化后的政策可以显著缓解学习与针对性之间的权衡。例如，通常可以在针对高需求个体获取最优效用90%的同时，确保平均处理效应的估计只需要随机对照试验所需的不到2倍的样本。针对公共服务的机制通常侧重于尽可能准确地衡量需求。然而，我们的结果表明，公共服务中的算法系统如果在针对性方面 incorpora program evaluation作为一个明确目标，将最具影响力。