Nguồn tham khảo: Yu, R., Lee, H., & Kizilcec, R. F. (2021). Should College Dropout Prediction Models Include Protected Attributes?. In Proceedings of the Eighth ACM Conference on Learning @ Scale (tr. 91–100). https://doi.org/10.1145/3430895.3460139
Truy cập toàn văn: https://doi.org/10.1145/3430895.3460139
Tóm tắt nội dung
Yu, Lee và Kizilcec (2021) xem xét câu hỏi: có nên đưa các thuộc tính được bảo vệ (protected attributes) vào mô hình dự báo bỏ học không, khi có lo ngại rằng làm vậy sẽ phân biệt đối xử với nhóm sinh viên ít được đại diện và làm tăng bất bình đẳng. Bối cảnh là một trường đại học nghiên cứu lớn ở Hoa Kỳ, có cả sinh viên học tập trung và sinh viên học hoàn toàn trực tuyến. Dựa trên hồ sơ toàn bộ sinh viên qua nhiều năm (N = 93.457), nhóm tác giả xây dựng mô hình dự báo bỏ học sau một năm học và so sánh hiệu năng, mức công bằng khi có và không có bốn thuộc tính: giới tính, nhóm thiểu số ít được đại diện (URM), sinh viên thế hệ đầu tiên vào đại học và nhu cầu hỗ trợ tài chính cao.
Kết quả cho thấy thêm các thuộc tính này không ảnh hưởng tới hiệu năng tổng thể và chỉ cải thiện nhẹ tính công bằng, nên các tác giả cho rằng nên giữ chúng. Bài báo cũng hướng dẫn cách đánh giá tác động của lựa chọn này trong bối cảnh từng trường. Với bài toán dự báo bỏ học, tài liệu cung cấp bằng chứng thực nghiệm cho một quyết định thiết kế quan trọng và gợi ý các trường Việt Nam tự kiểm tra trên dữ liệu của mình thay vì loại thuộc tính theo cảm tính.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Yu, Lee và Kizilcec (2021) nghiên cứu câu hỏi này trên 93.457 sinh viên của một trường đại học nghiên cứu Hoa Kỳ.
Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp