[论文解读] Impact of Bias on School Admissions and Targeted Interventions.

Yuri Faenza, Swati Gupta+1 more|arXiv (Cornell University)|Apr 22, 2020

School Choice and Performance参考文献 25被引用 6

一句话总结

本文提出了首个分析学校录取中隐性偏见对学生结果影响的数学模型，并评估了有针对性的干预措施。基于学生潜力的帕累托分布和高斯分布，研究发现学校几乎没有动力改变评估方法，且有限资源最有效的投放对象是平均水平的学生——这一发现挑战了传统学术资助模式。

ABSTRACT

Evaluation criteria for school admissions do not account for the of implicit bias on applications, due to e.g., socioeconomic status of students or training resources available to them. We present, to the best of our knowledge, the first mathematical analysis of the of evaluations of students on school admissions. In our model, students have a unanimous ranking of schools, schools observe biased potentials for a group of students and true potentials for others, and then accept the best students from those available to them. Our framework for evaluating the effects of bias and of targeted intervention can incorporate any distribution of students' potentials and deals with the following questions: how much are students and schools affected by such bias; do schools have an incentive to interview students; how should limited resources be allocated to minimize the impact of bias on students. When students' potentials are Pareto distributed, we find that schools have little incentive to change their evaluation mechanisms. Moreover, additional resources are best targeted at average students, as opposed to top students, thus questioning existing scholarship mechanisms. This optimal target range shifts towards top students, when students' potentials are Gaussian distributed. We validate these findings using SAT scores data from New York City high schools. Our conclusions are robust, as qualitative takeaways from our analysis remain the same even when some of our modeling assumptions are relaxed.

研究动机与目标

• 分析学校录取中的隐性偏见对学生结果的影响。
• 评估学校在存在偏差评估信号时是否有动力修改其评估流程。
• 确定在有限资源下，如何最优分配以最小化偏见对学生产生的录取影响。
• 评估学生潜力的不同分布（帕累托分布与高斯分布）如何影响干预措施的有效性。
• 使用纽约市高中的真实SAT数据验证研究结果。

提出的方法

• 构建数学框架，基于不同学生群体的偏差潜力和真实潜力，模拟学校录取决策。
• 假设学生对学校的排名是均匀的，学校则从可用的偏差或真实潜力中选择最优秀的申请者。
• 使用帕累托分布和高斯分布表示学生潜力，以在不同假设下分析偏见的影响。
• 应用优化技术，确定在有限资源下减少偏见影响的最有效分配方式。
• 使用纽约市高中的真实SAT分数数据验证理论结果。
• 放松关键建模假设，以检验定性结论的稳健性。

实验结果

研究问题

• RQ1 评估隐性偏见在评估中如何影响不同学生群体的录取结果？
• RQ2 当存在偏差信号时，学校是否有动力改变其评估机制？
• RQ3 有限的干预资源应如何分配，才能最有效地减轻偏见的影响？
• RQ4 当学生潜力服从不同分布（如帕累托分布与高斯分布）时，最优干预目标如何变化？
• RQ5 当核心建模假设被放松时，关键发现是否依然稳健？

主要发现

• 即使存在偏差信号，学校也几乎没有动力改变其评估机制。
• 当学生潜力服从帕累托分布时，额外资源最有效的投放对象是平均水平的学生，而非顶尖学生。
• 当学生潜力服从高斯分布时，最优干预目标会向顶尖学生转移。
• 即使关键假设（如潜力分布或偏见结构）被放松，模型的定性结论依然稳健。
• 使用纽约市高中SAT数据的实证验证支持了理论发现。
• 研究结果挑战了现有优先资助顶尖学生的学术资助机制，提示应重新评估资源分配策略。