ความยุติธรรม: การประเมินอคติ

เมื่อประเมินโมเดล เมตริกที่คํานวณเทียบกับการทดสอบหรือการตรวจสอบทั้งหมด ก็ไม่ได้ให้ภาพที่ถูกต้องเสมอไปว่าโมเดลนี้มีความยุติธรรมเพียงใด โมเดลมีประสิทธิภาพโดยรวมดีเยี่ยมสำหรับตัวอย่างส่วนใหญ่ที่อาจมาสก์ได้ไม่ดี ประสิทธิภาพในกลุ่มย่อยของตัวอย่าง ซึ่งอาจทำให้เกิดความลำเอียง การคาดการณ์โมเดล การใช้เมตริกประสิทธิภาพแบบรวม เช่น ความแม่นยำ การเรียกคืน และความแม่นยำ ไม่จำเป็น มาเปิดเผยปัญหาเหล่านี้

เราสามารถกลับไปดูรูปแบบการรับนักศึกษาและสำรวจเทคนิคใหม่ๆ สำหรับวิธีประเมินการคาดคะเนของอคติโดยคำนึงถึงความยุติธรรม

สมมติว่าโมเดลการจัดประเภทการรับนักศึกษาเลือกนักเรียน 20 คนเพื่อยอมรับ มหาวิทยาลัยจากกลุ่มผู้สมัคร 100 คน และจัดอยู่ในกลุ่มประชากร 2 กลุ่ม กลุ่มคนส่วนใหญ่ (สีฟ้า นักเรียน 80 คน) และชนกลุ่มน้อย (สีส้ม นักเรียน 20 คน)

รูปที่ 1 กลุ่มผู้สมัครที่มีนักเรียน 100 คน โดยมีนักเรียน 80 คน กลุ่มส่วนใหญ่ (สีฟ้า) และนักเรียน 20 คนเป็นชนกลุ่มนั้น (สีส้ม)

โมเดลต้องยอมรับนักเรียนที่มีคุณสมบัติตามเกณฑ์ในลักษณะที่เป็นธรรม ผู้สมัครในกลุ่มประชากรทั้ง 2 กลุ่ม

เราควรประเมินการคาดการณ์ของโมเดลเพื่อความเป็นธรรมอย่างไร มีให้เลือกหลากหลาย ที่เราพิจารณาได้ ซึ่งแต่ละรายการจะให้ผลทางคณิตศาสตร์ ของคำว่า "ความยุติธรรม" ในส่วนต่อไปนี้ เราจะดู 3 ส่วน เมตริกความยุติธรรมเชิงลึกเหล่านี้ ได้แก่ ความเท่าเทียมกันของข้อมูลประชากร ความเท่าเทียมของโอกาส และความยุติธรรมในการโต้แย้ง

คำสำคัญ:

• ความถูกต้อง
• อคติ (จริยธรรม/ความยุติธรรม)
• ความแม่นยำ
• ความอ่อนไหว

ศูนย์ช่วยเหลือ