面向学业成绩预测中作为公平性度量的均等几率
机器学习
2022-09-30 v1 人工智能
计算机与社会
摘要
公平性感知机器学习的文献中存在着大量不同的公平性概念。然而众所周知，不可能同时满足所有这些概念，因为某些概念相互矛盾。在本文中，我们仔细审视学业成绩预测（APP）系统，并试图提炼出哪些公平性概念最适合该任务。为此，我们梳理了近期文献中提出的关于使用何种公平性概念的指导原则，并将这些原则应用于APP。我们的研究结果表明，基于APP的所见即所得（WYSIWYG）世界观以及对群体潜在的长期改善，均等几率是APP最适宜的概念。
引用
@article{arxiv.2209.14670,
title = {Towards Equalised Odds as Fairness Metric in Academic Performance Prediction},
author = {Jannik Dunkelau and Manh Khoi Duong},
journal= {arXiv preprint arXiv:2209.14670},
year = {2022}
}
备注
FATED'22: 2nd Workshop on Fairness, Accountability, and Transparency in Educational Data. July 2022. Durham, England