大学退学预测模型是否应包含受保护属性？
计算机与社会
2021-04-20 v2
摘要
早期识别大学退学学生可为提升学生成功与机构效能提供巨大价值，预测分析正日益用于此目的。然而，关于在预测模型中包含受保护属性是否会歧视代表性不足的学生群体并加剧现有不平等的伦理关切已经出现。我们在一所拥有住宿与完全在线学位求学者的大型美国研究型大学背景下考察此问题。基于该完整学生群体多年的综合机构记录，我们构建机器学习模型以预测学生经过一学年学习后的退学情况，并比较包含或不包含四种受保护属性（性别、URM、第一代大学生、高经济需求）时模型预测的整体性能与公平性。我们发现，包含受保护属性不影响整体预测性能，且仅边际改善预测算法的公平性。尽管这些发现表明包含受保护属性更优，我们的分析也为机构利益相关者寻求利用预测分析支持学生成功的本地情境中如何评估该影响提供了指导。
引用
@article{arxiv.2103.15237,
title = {Should College Dropout Prediction Models Include Protected Attributes?},
author = {Renzhe Yu and Hansol Lee and René F. Kizilcec},
journal= {arXiv preprint arXiv:2103.15237},
year = {2021}
}
备注
In Proceedings of the ACM Conference on Learning at Scale (L@S) 2021