Algorithmic Fairness in Education
Algorithmic Fairness in Education
复制标题
教育中的算法公平
DOI：
--
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
Hansol Lee
中科院分区：
文献类型：
--
作者：
René F. Kizilcec;Hansol Lee
数据驱动的预测模型越来越多地用于教育，以支持学生，教师和管理员。然而，人们担心这些算法系统的预测和使用的公平性。在这篇关于教育中算法公平的介绍中，我们与之前关于教育机会、偏见和歧视的文献进行了比较，并研究了算法系统的核心组成部分（测量、模型学习和行动），以确定在开发和部署这些系统的过程中偏见和歧视的来源。统计，相似性为基础的，和因果关系的公平概念进行审查和对比的方式，他们在教育环境中的应用。为政策制定者和教育技术开发者提供的建议为如何促进教育中的算法公平提供了指导。
Data-driven predictive models are increasingly used in education to support students, instructors, and administrators. However, there are concerns about the fairness of the predictions and uses of these algorithmic systems. In this introduction to algorithmic fairness in education, we draw parallels to prior literature on educational access, bias, and discrimination, and we examine core components of algorithmic systems (measurement, model learning, and action) to identify sources of bias and discrimination in the process of developing and deploying these systems. Statistical, similarity-based, and causal notions of fairness are reviewed and contrasted in the way they apply in educational contexts. Recommendations for policy makers and developers of educational technology offer guidance for how to promote algorithmic fairness in education.
DOI：
10.1073/pnas.1921417117
发表时间：
2020-06-30
影响因子：
11.1
作者：
Kizilcec, Rene F.;Reich, Justin;Tingley, Dustin
通讯作者：
Tingley, Dustin
DOI：
--
发表时间：
2019
期刊：
In Proceedings of ACM FAT*
影响因子：
--
作者：
Milli, Smitha;Miller, John;Dragan, Anca;Hardt, Moritz
通讯作者：
Hardt, Moritz
DOI：
10.24963/ijcai.2019/199
发表时间：
2019-08
期刊：
--
影响因子：
--
作者：
Yongkai Wu;Lu Zhang;Xintao Wu
通讯作者：
Yongkai Wu;Lu Zhang;Xintao Wu