Identifying Early Help Referrals For Local Authorities With Machine Learning And Bias Analysis

要約

レスターシャー郡議会 (LCC) などのイギリスの地方自治体は、若者が学校などのユニバーサル サービスだけではサポートできない困難に直面したときに、人生のどの時点でも提供できる早期支援サービスを提供しています。
このペーパーでは、早期支援の評価とサポートのために紹介する必要がある家族を特定する際に専門家を支援するための機械学習 (ML) の利用について調査します。
LCC は、18 歳未満の若者の 14,360 件の記録で構成される匿名化されたデータセットを提供しました。データセットは前処理され、機械学習モデルが構築され、モデルのパフォーマンスを検証およびテストするための実験が行われました。
これらのモデルの公平性を向上させるために、バイアス軽減技術が適用されました。
テスト中、モデルは介入や早期支援を必要とする若者を識別する能力を実証しましたが、特に不均衡なデータで構築された場合に、かなりの数の誤検知も発生し、早期支援の紹介を必要としない可能性が最も高い個人を誤って識別しました。
このペーパーでは、早期ヘルプ サービスを必要とする可能性のある若者を特定するためのデータ駆動型 ML モデルの適合性を実証的に調査し、このタスクに対するその適切性と限界について説明します。

要約(オリジナル)

Local authorities in England, such as Leicestershire County Council (LCC), provide Early Help services that can be offered at any point in a young person’s life when they experience difficulties that cannot be supported by universal services alone, such as schools. This paper investigates the utilisation of machine learning (ML) to assist experts in identifying families that may need to be referred for Early Help assessment and support. LCC provided an anonymised dataset comprising 14360 records of young people under the age of 18. The dataset was pre-processed, machine learning models were build, and experiments were conducted to validate and test the performance of the models. Bias mitigation techniques were applied to improve the fairness of these models. During testing, while the models demonstrated the capability to identify young people requiring intervention or early help, they also produced a significant number of false positives, especially when constructed with imbalanced data, incorrectly identifying individuals who most likely did not need an Early Help referral. This paper empirically explores the suitability of data-driven ML models for identifying young people who may require Early Help services and discusses their appropriateness and limitations for this task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google