Towards Data-Driven Affirmative Action Policies under Uncertainty

Näytä kaikki kuvailutiedot



Pysyväisosoite

http://hdl.handle.net/10138/333824

Lähdeviite

Hertweck , C I , Castillo , C & Mathioudakis , M 2020 , ' Towards Data-Driven Affirmative Action Policies under Uncertainty ' , Paper presented at Educational Data Mining Workshops 2020 , 10/07/2020 . < https://arxiv.org/abs/2007.01202 >

Julkaisun nimi: Towards Data-Driven Affirmative Action Policies under Uncertainty
Tekijä: Hertweck, Corinna Isabell; Castillo, Carlos; Mathioudakis, Michael
Tekijän organisaatio: Department of Computer Science
Algorithmic Data Science
Päiväys: 2020
Kieli: eng
URI: http://hdl.handle.net/10138/333824
Tiivistelmä: In this paper, we study university admissions under a centralized system that uses grades and standardized test scores to match applicants to university programs. We consider affirmative action policies that seek to increase the number of admitted applicants from underrepresented groups. Since such a policy has to be announced before the start of the application period, there is uncertainty about the score distribution of the students applying to each program. This poses a difficult challenge for policy makers. We explore the possibility of using a predictive model trained on historical data to help optimize the parameters of such policies.
Avainsanat: 113 Computer and information sciences
Vertaisarvioitu: Kyllä
Tekijänoikeustiedot: unspecified
Pääsyrajoitteet: openAccess
Rinnakkaistallennettu versio: acceptedVersion


Tiedostot

Latausmäärä yhteensä: Ladataan...

Tiedosto(t) Koko Formaatti Näytä
Designing_Affir ... er_Uncertainty_FATED_1.pdf 542.0KB PDF Avaa tiedosto

Viite kuuluu kokoelmiin:

Näytä kaikki kuvailutiedot