ความยุติธรรม: ความเท่าเทียมกันของข้อมูลประชากร

วิธีการหนึ่งที่เราใช้ประเมินการคาดคะเนของโมเดลเพื่อความเป็นธรรมก็คือ เปรียบเทียบอัตราการรับนักศึกษาของกลุ่มคนส่วนใหญ่กับชนกลุ่มน้อย หากอัตราการสมัครทั้ง 2 อัตราเท่ากัน การคาดคะเนของโมเดลจะแสดง ความเท่าเทียมกันของประชากร: โอกาสที่นักเรียนจะเข้ามหาวิทยาลัยไม่ได้แตกต่างกัน กลุ่มผู้เข้าชม

สมมติว่ารูปแบบการรับนักศึกษายอมรับผู้สมัคร 16 คนจากคะแนนส่วนใหญ่ และผู้สมัคร 4 คนจากชนกลุ่มน้อย การตัดสินใจของโมเดล เป็นไปตามความเท่าเทียมกันของข้อมูลประชากร เนื่องจากอัตราการยอมรับทั้งในหมู่ผู้ชมส่วนใหญ่และ ผู้สมัครรับเลือกตั้งที่เป็นชนกลุ่มน้อยคือ 20%

รูปที่ 2 กลุ่มผู้สมัครแบ่งออกเป็น 2 กลุ่ม ได้แก่ ผู้สมัครที่ถูกปฏิเสธ และผู้สมัครที่ยอมรับ ทั้งเสียงข้างมาก (สีน้ำเงิน) และชนกลุ่มน้อย (สีส้ม) กลุ่มต่างๆ มีอัตราการยอมรับ 20%

ตารางต่อไปนี้แสดงจำนวนตัวเลขที่สนับสนุนรายการที่ถูกปฏิเสธและได้รับการยอมรับ ผู้สมัครในรูปที่ 2

	กลุ่มคะแนนเสียงข้างมาก	ชนกลุ่มน้อย
ยอมรับแล้ว	16	4
ถูกปฏิเสธ	64	16
อัตราการยอมรับ	20%	20%

แบบฝึกหัด: ตรวจสอบสัญชาติญาณของคุณ

คณะกรรมการรับสมัครนักศึกษาของมหาวิทยาลัยกำลังพิจารณาการใช้ความเท่าเทียมกันของข้อมูลประชากร เป็นเมตริกการประเมินความเป็นธรรมสำหรับโมเดลของพวกเขา และต้องการคำแนะนำจากคุณ ถึงข้อดีและข้อเสียของวิธีการนี้ เธอระบุได้ไหมว่า ข้อดีและข้อเสีย 1 ข้อในการประเมินการคาดการณ์ของโมเดลโดยใช้ข้อมูลประชากร ความเท่าเทียม?

คุณระบุปัญหาเกี่ยวกับข้อมูลฟีเจอร์ได้ไหม

คลิกที่นี่เพื่อดูคำตอบของเรา

ข้อดีและข้อเสีย

ประโยชน์หลักๆ ของความเท่าเทียมกันทางข้อมูลประชากรสำหรับตัวอย่างการรับเข้าศึกษาของเราคือ เพื่อให้มั่นใจว่าทั้งกลุ่มชนส่วนใหญ่และชนกลุ่มน้อยแสดงอยู่ในกลุ่มที่ได้รับการยอมรับ ในสัดส่วนที่เท่ากันกับในกลุ่มผู้สมัคร กล่าวคือ หากกลุ่มผู้สมัครประกอบด้วยผู้สมัครส่วนใหญ่ 80% ของกลุ่ม และผู้สมัครที่เป็นชนกลุ่มน้อย 20% ความเท่าเทียมทางประชากรก็รับประกันว่ากลุ่ม ของคณะกรรมการจะเป็นนักเรียนส่วนใหญ่ 80% และชนกลุ่มน้อย 20% นักเรียน

อย่างไรก็ตาม ความเท่าเทียมกันของข้อมูลประชากรมีข้อด้อยที่สำคัญอย่างหนึ่งคือ การกระจายของการคาดการณ์สำหรับกลุ่มประชากรแต่ละกลุ่ม (จำนวน จำนวนนักเรียนที่ได้รับการจัดประเภทว่า "ผ่านเกณฑ์" กับ "ไม่เข้าเกณฑ์") มาพิจารณาเมื่อ การประเมินว่าควรจัดสรรพื้นที่สำหรับให้รับสมัครจำนวน 20 ที่นั่งอย่างไร

มาดูองค์ประกอบของกลุ่มผู้สมัครจากด้านบนกัน แต่ในตอนนี้เราจะแยกประเภทผู้สมัคร ไม่เพียงแต่ตามกลุ่มข้อมูลประชากร แต่โมเดลมีคะแนนที่ผู้สมัครแต่ละคน "มีคุณสมบัติ" หรือไม่ หรือ "ไม่เข้าเกณฑ์":

วันที่

รูปที่ 3 รายละเอียดเหมือนกับของผู้สมัครที่ถูกปฏิเสธและที่ยอมรับ ในรูปที่ 2 แต่คราวนี้นักเรียนที่มีคุณสมบัติทั้งหมดในกลุ่มส่วนใหญ่ และชนกลุ่มน้อยจะมีสีเทา และนักเรียนที่มีคุณสมบัติตามเกณฑ์ ซึ่งถูกปฏิเสธจะมีเครื่องหมาย X กำกับไว้ จากคะแนนเสียงส่วนใหญ่ที่ผ่านเกณฑ์ 35 กลุ่ม มีนักเรียน 16 คน จากนักเรียนเป็นชนกลุ่มน้อยที่มีคุณสมบัติครบ 15 คน รับ 4 รายการ

ตารางต่อไปนี้แสดงจำนวนตัวเลขที่สนับสนุนรายการที่ถูกปฏิเสธและได้รับการยอมรับ ผู้สมัครในรูปที่ 3

	กลุ่มคะแนนเสียงข้างมาก		ชนกลุ่มน้อย
	ยอมรับ	ถูกปฏิเสธ	ยอมรับ	ถูกปฏิเสธ
ผ่านเกณฑ์	16	19	4	11
ไม่เข้าเกณฑ์	0	45	0	5

เรามาลองตารางอัตราการยอมรับของนักศึกษาที่มีคุณสมบัติตามเกณฑ์ของทั้ง 2 กลุ่มกัน

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

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

แม้ว่าทั้ง 2 กลุ่มจะมีอัตราการตอบรับโดยรวม 20% ก็น่าพอใจ ความเท่าเทียมกันของข้อมูลประชากร อัตราการตอบรับของนักเรียนส่วนใหญ่ที่ผ่านเกณฑ์คือ 46% แต่อัตราการรับนักศึกษาที่เป็นชนกลุ่มน้อยที่เข้าเกณฑ์มีเพียง 27% เท่านั้น

ในกรณีเช่นนี้ โดยที่การกระจายตัวของป้ายกำกับที่ต้องการ (เช่น "ผ่านเกณฑ์") แตกต่างกันอย่างมากสำหรับทั้ง 2 กลุ่ม ความเท่าเทียมกันของข้อมูลประชากรอาจ ไม่ใช่เมตริกที่เหมาะสมที่สุดในการเลือกประเมินความเป็นธรรม ในอีก เราจะดูที่ตัวชี้วัดความเป็นธรรมทางเลือก ความเท่าเทียมของโอกาส ซึ่งจะพิจารณาความแตกต่างเหล่านี้ด้วย

หมายเหตุ: อาจมีข้อดี/ข้อเสียเพิ่มเติมในด้านความเท่าเทียมของข้อมูลประชากร ที่กล่าวถึงในที่นี้ซึ่งควรพิจารณาเช่นกัน โดยขึ้นอยู่กับทั้งเป้าหมาย โมเดลได้รับการออกแบบมาเพื่อบรรลุผล และบริบททางสังคมที่โมเดล ระบบจะใช้การคาดการณ์

คำสำคัญ:

• อคติ (จริยธรรม/ความยุติธรรม)
• ความเท่าเทียมกันของข้อมูลประชากร