在算法政策中在性能与人工监督之间进行权衡：来自丹麦大学录取的实证研究
计算机与社会
2025-04-23 v2
摘要
学生退学是教育机构面临的重大挑战，由于其社会和经济影响，推动了开发风险预测系统以在录取前识别高危学生。我们探讨了在高等教育背景下，这类系统的准确性——即在录取前预测学位完成情况，潜在可用于优先考虑录取决策。利用来自丹麦高等教育录取的大规模数据集，我们展示，先进的序列AI模型在预测准确性和公平性方面，优于当前依赖高中平均绩点或人工判断的做法。这些模型不仅提高了准确性，还在即使较简单模型使用受保护的社会人口统计属性时，仍能表现更佳。重要的是，我们的预测揭示了某些学生画像更适合特定专业和领域，这表明在公共政策方面可能实现效率和福利的提升。我们估计，即使使用简单的AI模型来指导录取决策，尤其是针对新实施的全国性政策（将录取减少10%），也可能带来显著的经济效益。然而，这种改进会以监督减少和透明度降低为代价。我们的发现凸显了将先进AI纳入教育政策制定的潜力与挑战。
引用
@article{arxiv.2411.15348,
title = {Trading off performance and human oversight in algorithmic policy: evidence from Danish college admissions},
author = {Magnus Lindgaard Nielsen and Jonas Skjold Raaschou-Pedersen and Emil Chrisander and David Dreyer Lassen and Julien Grenet and Anna Rogers and Andreas Bjerre-Nielsen},
journal= {arXiv preprint arXiv:2411.15348},
year = {2025}
}