Kolejlerin ve üniversitelerin işe alım için aday öğrencileri hedeflemek, mali yardım teklifleri oluşturmak ve öğrenci davranışlarını izlemek için güvendiği görünmez altyapıdır. Şimdi, yeni bir bildiri Devlet Hesap Verebilirlik Ofisi, Kongre’yi, yüksek öğrenimin bu tüketici puanlarını, algoritmaları ve diğer büyük veri ürünlerini nasıl kullandığını araştırmaya ve bunların kullanımından en çok kimin, öğrenciler mi yoksa kurumlar mı yararlanacağını düşünmeye çağırıyor.
GAO ayrıca Kongre’yi bu tür puanlarla ilgili açıklama gerekliliklerini ve diğer tüketici korumalarını desteklemeyi düşünmeye teşvik etti.
Ofis, “dikkate alınması gereken hususlar arasında, tüketicilerin puanların oluşturulmasında kullanılan verileri görme ve düzeltme hakları ve puanların kullanımları ve potansiyel etkileri hakkında bilgilendirilme hakları yer alıyor” tavsiyesinde bulundu.
Tahmine dayalı analitik, elde tutmayı desteklemek ve kurumsal yardımı daha adil bir şekilde paylaştırmak gibi yüksek öğrenimin birçok yönünü iyileştirmenin bir yolu olarak müjdelendi, ancak onları eleştirenler de yok değil. Öğrenci mahremiyetine ilişkin endişeler çoktur. Eleştirmenler, kötü tasarlanmış veya anlaşılmayan modellerin bir kurumun operasyonlarına ayrımcı davranışları yerleştirip otomatikleştirebileceğinden endişe ediyor.
GAO, ajansın bir endüstri uzmanıyla yaptığı bir alışverişi özetleyen raporunda, “Kolejler genellikle pazarlama, işe alma ve bazen öğrenciler için mali yardım miktarlarını belirlemede kullanılan puanları oluşturmak için kullanılan veri ve yöntemlerin farkında değildi” diye yazdı. ve yüksek ed’in ofisi en çok ilgilendiren tahmine dayalı analitik kullanımlarını açıklamak.
Belirli algoritmaların katıksız karmaşıklığı başka bir zorluk ortaya çıkardı. GAO araştırmacıları, okulu bırakma veya başka bir koleje geçme riski altındaki öğrencileri belirlemek ve işaretlemek için kullanılan bir puanlama ürününü inceledikten sonra, temel modelin risk değerlendirmesiyle açıkça alakalı olan değişkenlerin genişliğini – “potansiyel olarak yüzlerce” gözlemledi.
GAO’yu en çok ilgilendiren şey? Belirli modeller tarafından tek bir öğrencinin başlangıç noktalarına atanan ağırlık – yaşadıkları mahalle ve okudukları lise dahil.
Ajans, “Bu metodoloji belirli amaçlar için kullanıldığında zararsız olsa da, puanların yanlış olması durumunda olumsuz bir etkisi olabilecek kullanımına dair örnekler bulduk” dedi. Daha açık söylemek gerekirse: Irkın, zenginliğin ve coğrafyanın önemli olduğu bir ülkede ayrılmaz bir şekilde bağlımodeller ve algoritmalar, azınlık ve düşük gelirli öğrencilere karşı önyargıları rasyonelleştirebilir ve onaylayabilir, bu tür ürünler yalnızca ikamet bilgilerini puanlarına ve değerlendirmelerine dahil etse bile.
Örnek olarak, GAO, kabul ofisleri tarafından “kolejlerine ilgi duyacak ve okullarının kayıt hedeflerine uygun olacak” öğrencileri belirlemek için kullanılan isimsiz bir puanlama ürününe atıfta bulunur – özünde, bir müşteri yaratma hizmeti. Potansiyel bir öğrencinin mahallesi ve lisesi, iletişim bilgilerinin hangi listelerde görüneceğini belirler. Her listeye sırayla kendi ilgili puanlar atanır – her bir grubun paylaşılan sosyoekonomik, demografik ve “eğitimle ilgili” özelliklerinin ölçüleri. Bu puanlanmış listeleri kullanarak, kabul uzmanları, ilgili kurumlarının kabul hedeflerine göre uyarlanmış işe alım stratejileri uygulayabilir.
Peki ya düşük performans gösteren veya yetersiz finanse edilen liselere kaydolan yüksek başarılı öğrenciler? Yaşadıkları ve öğrendikleri yer onları kolejlerin kayıt çabalarına dahil etmekten alıkoyuyorsa, bir kolej bu öğrencileri işe alım için nasıl hedefleyebilir? Devlet Hesap Verebilirlik Ofisine göre, bu farklı muamele için bir reçetedir.
GAO, “Bazı öğrenciler mahallelerinin veya liselerinin baskın özelliklerine uymayabilir ve başkalarının aldığı işe alma çabalarını kaçırabilir” diye uyarıyor.
Teknoloji ve yüksek öğrenimin kesişimine odaklanan kar amacı gütmeyen bir dernek olan Educause’de araştırmacı olan Jenay Robert yaptığı açıklamada, bu tür tuzaklara karşı korunmak için kolejlerin ve üniversitelerin çeşitlilik, eşitlik ve kapsayıcılık uzmanlarına danışması gerektiğini söyledi. Analitik personeli, kurumlarının özel ihtiyaçlarını göz önünde bulundurarak çeşitlilik uzmanlarıyla çalışmıyorsa, “büyük veri analitiği yarardan çok zarar verebilir” dedi.
Yüksek öğrenim de bu konuda geniş çapta kabul görmüş politikalardan yoksundur ve şunları söyledi: “Büyük veri analitiğiyle ilgilenmek için en iyi uygulamaları ortaya koyan, yaygın olarak kullanılan bir etik çerçeveyi henüz oluşturmadık.”
Algoritmaların kullanımına ilişkin federal düzenlemelerin yokluğunda, kolejler ve üniversiteler, kurumsal çıkarlarının bireysel öğrencilerin çıkarlarıyla nasıl uyumlu olduğunu ve bu kullanımın daha geniş kamu yararına ne ölçüde hizmet ettiğini uzlaştırmaya bırakıldı. Ve teoride, hiçbir ayrım olmamalıdır. Örneğin, bir kurum, burs yardımı olmadan üniversiteyi bırakmış olabileceklere burs yardımı tahsis etmek için tahmine dayalı analitik kullandığında, kamu yararına hizmet edilmiş olur.
Ancak gerçeklik genellikle daha karmaşıktır. Büyük veri ürünleri ve modelleri, kolejlere ve üniversitelere, daha önce çoğu kabul ofisinde mevcut olmayan ince taneli analizler için yetenekler sağlar. Bir endüstri uzmanı, GAO’ya verdiği ifadede, bir kolejin müstakbel bir öğrencinin tekrarlanan kampüs veya web sitesi ziyaretlerinden belirli sonuçlar çıkarabileceği bir senaryo ortaya koydu – sonuçlar, sonuçta bu müstakbel öğrenciye benzer durumdaki akranlarına göre daha az burs parası verilmesine neden oldu.
Bir kolej için hesap basittir: Ne olursa olsun kurumunuza devam etmesi muhtemel bir öğrenciye neden önemli burs yardımı teklif edersiniz? Yine de ülke için farklı bir ikilem ortaya çıkıyor: Dolaşmak için daha fazla burs parası olsa bile, kamu yararına gerçekten en iyi hizmet, bir öğrenci herhangi birine başlamadan önce kampüs ziyaretlerini ve çevrimiçi araştırmayı kullandığı için cezalandırıldığında mı sunuluyor? Amerikan yaşamındaki en önemli yatırımlar?
Kaynak : https://www.chronicle.com/article/congress-should-scrutinize-higher-eds-use-of-predictive-analytics-watchdog-says