निष्पक्षता: उम्र, लिंग, आय, शिक्षा वगैरह की समानता

निष्पक्षता के लिए हमारे मॉडल के अनुमान का आकलन करने का एक तरीका है बहुसंख्यक समूह और अल्पसंख्यक समूह के लिए प्रवेश दर की तुलना करें. अगर एडमिशन के लिए दोनों रेट बराबर हैं, तो मॉडल के अनुमान की जानकारी डेमोग्राफ़िक (उम्र, लिंग, आय, शिक्षा वगैरह) समानता: a छात्र-छात्राओं के यूनिवर्सिटी में दाखिल होने की संभावना अलग-अलग होती है डेमोग्राफ़िक (उम्र, लिंग, आय, शिक्षा वगैरह) ग्रुप.

मान लीजिए कि एडमिशन मॉडल बहुमत से 16 उम्मीदवारों को स्वीकार करता है और अल्पसंख्यक समूह के चार उम्मीदवार शामिल हैं. मॉडल के फ़ैसले साथ ही, सभी लोगों के लिए अल्पसंख्यक उम्मीदवारों की हिस्सेदारी 20% है.

दूसरा डायग्राम. उम्मीदवारों को दो ग्रुप में बांट दिया गया है: वे उम्मीदवार जिन्हें मंज़ूरी नहीं मिली और योग्य उम्मीदवार. बहुमत (नीला) और अल्पसंख्यक (नारंगी) दोनों ग्रुप में शामिल होने की स्वीकार करने की दर 20% है.

नीचे दी गई टेबल में, अस्वीकार किए गए और स्वीकार किए गए ग्राहकों की संख्या दिखाई गई है इमेज 2 में दिए गए उम्मीदवार.

	ज़्यादातर लोगों का ग्रुप	अल्पसंख्यक समूह
स्वीकार किया गया	16	4
अस्वीकार किया गया	64	16
स्वीकार करने की दर	20%	20%

कसरत: अपने दिल की सुनें

यूनिवर्सिटी की एडमिशन कमिटी, डेमोग्राफ़िक (उम्र, लिंग, आय, शिक्षा वगैरह) के डेटा को एक जैसी रखने पर विचार कर रही है का आकलन कर सकता है और उन्हें आपके मार्गदर्शन की ज़रूरत है. इस तरीके के फ़ायदों और कमियों के बारे में बात करते हैं. क्या तुम इसकी पहचान कर सकती हो डेमोग्राफ़िक (उम्र, लिंग, आय, शिक्षा वगैरह) का इस्तेमाल करके मॉडल के अनुमान का आकलन करने के लिए, pro और एक con समानता?

क्या आप सुविधा के डेटा से जुड़ी किसी समस्या का पता लगा सकते हैं?

हमारे जवाब देखने के लिए यहां क्लिक करें

फ़ायदे और कमियां

एडमिशन के लिए दिए गए हमारे उदाहरण की डेमोग्राफ़िक (उम्र, लिंग, आय, शिक्षा वगैरह) एक जैसी होने का सबसे बड़ा फ़ायदा यह है कि यह पक्का करता है कि स्वीकार की गई उसी अनुपात में छात्र-छात्राओं की क्लास जिसमें वे कैंडिडेट पूल में हैं. इसका मतलब है कि अगर आवेदकों के पूल में बहुमत वाले ग्रुप के 80% लोग शामिल हैं और 20% अल्पसंख्यक समूह के उम्मीदवार हैं, तो डेमोग्राफ़िक समानता इस बात की गारंटी देती है कि और 20% अल्पसंख्यक समूह के छात्र-छात्राएं और 80% वयस्क समूह के छात्र-छात्राएं शामिल किए जाएंगे छात्र-छात्राएं.

हालांकि, डेमोग्राफ़िक (उम्र, लिंग, आय, शिक्षा वगैरह) समानता की एक अहम कमी है: यह हर डेमोग्राफ़िक (उम्र, लिंग, आय, शिक्षा वगैरह) ग्रुप के लिए अनुमानों का डिस्ट्रिब्यूशन (संख्या में) "क्वालिफ़ाइड" की कैटगरी में रखे गए छात्र-छात्राएं बनाम "अयोग्यता") को ध्यान में रखते हुए यह मूल्यांकन किया जा सकता है कि 20 एडमिशन स्लॉट कैसे तय किए जाने चाहिए.

आइए, ऊपर दिए गए हमारे ग्रुप के सदस्यों की संख्या पर दोबारा नज़र डालते हैं. हालांकि, इस बार हम उम्मीदवारों को सिर्फ़ डेमोग्राफ़िक (उम्र, लिंग, आय, शिक्षा वगैरह) ग्रुप, यह भी देखना होगा कि मॉडल ने हर उम्मीदवार को "क्वालिफ़ाइड" के तौर पर मार्क किया है या नहीं या "अमान्य":

तीसरी इमेज. अस्वीकार और स्वीकार किए गए उम्मीदवारों का ब्यौरा चित्र 2 में, लेकिन इस बार दोनों बहुमत में सभी योग्य छात्र-छात्राएं और अल्पसंख्यक समूहों का रंग हरे रंग में दिखाया जाता है. साथ ही, शर्तें पूरी करने वाले छात्र-छात्राओं को अस्वीकार किए गए खातों पर X का निशान होता है. उन 35 योग्य बहुमत वाले ग्रुप में से 16 छात्र-छात्राओं को स्वीकार किया गया. अल्पसंख्यक समूह के 15 योग्य छात्र-छात्राओं में से, चार को स्वीकार किया गया.

नीचे दी गई टेबल में, अस्वीकार किए गए और स्वीकार किए गए ग्राहकों की संख्या दिखाई गई है इमेज 3 में दिए गए उम्मीदवार.

	ज़्यादातर लोगों का ग्रुप		अल्पसंख्यक समूह
	स्वीकृत	अस्वीकार किया गया	स्वीकृत	अस्वीकार किया गया
क्वालिफ़ाइड	16	19	4	11
अमान्य	0	45	0	5

चलिए, दोनों ग्रुप के योग्य छात्र-छात्राओं के लिए, मंज़ूरी मिलने की दरों का टेबल बनाएं:

$$\text{Majority acceptance rate} = \frac{\text{qualified majority students accepted}}{\text{total qualified majority students}} = \frac{16}{35} = \text{46%}$$

$$\text{Minority acceptance rate} = \frac{\text{qualified minority students accepted}}{\text{total qualified minority students}} = \frac{4}{15} = \text{27%}$$

भले ही, दोनों ग्रुप में शामिल होने की मंज़ूरी मिलने की दर 20% है, लेकिन यह अच्छा है डेमोग्राफ़िक (उम्र, लिंग, आय, शिक्षा वगैरह) के बराबर या मुख्य तौर पर मार्क किए जाने वाले छात्र-छात्राओं की मंज़ूरी दर 46% है. वहीं, अल्पसंख्यक छात्र-छात्राओं के लिए, आवेदन स्वीकार करने की दर सिर्फ़ 27% है.

ऐसे मामलों में, जहां किसी पसंदीदा लेबल का डिस्ट्रिब्यूशन (जैसे कि "क्वालिफ़ाइड") में दोनों समूहों के लिए काफ़ी अंतर होता है. इसलिए, एक जैसी उम्र, लिंग, आय, शिक्षा वगैरह के बीच निष्पक्षता का आकलन करने के लिए, सबसे बेहतर मेट्रिक नहीं हो सकती. अगले सेशन में सेक्शन में, हम निष्पक्षता की वैकल्पिक मेट्रिक, समान अवसर, और जो इन अंतरों को ध्यान में रखती हैं.

ध्यान दें: डेमोग्राफ़िक (उम्र, लिंग, आय, शिक्षा वगैरह) के डेटा को एक जैसा रखने के कुछ और फ़ायदे भी हो सकते हैं. यहां पर चर्चा की गई है जो दोनों लक्ष्यों के आधार पर विचार करने लायक भी है मॉडल को उस सामाजिक संदर्भ को हासिल करने के लिए डिज़ाइन किया गया है जिसमें मॉडल सुझावों का इस्तेमाल किया जाएगा.

मुख्य बातें:

• पक्षपात (नैतिकता/निष्पक्षता)
• डेमोग्राफ़िक (उम्र, लिंग, आय, शिक्षा वगैरह) समानता