The Value of Prediction in Identifying the Worst-Off

要約

機械学習は、最も脆弱な個人を特定してサポートするために政府プログラムでますます使用されており、総転帰を最適化する上で最もリスクの高い人々に支援を優先しています。
このペーパーでは、株式主導のコンテキストでの予測の福祉への影響と、官僚的能力の拡大など、他のポリシーレバーと比較する方法を調べます。
数学モデルと、ドイツの住民の長期的な失業に関する現実世界のケーススタディを通じて、私たちは最悪のオフを表面化する際の予測の相対的な有効性を包括的に理解しています。
私たちの調査結果は、これらのシステムを設計する際に政策立案者が原則的な決定を下すことを可能にする明確な分析フレームワークと実用的なデータ駆動型ツールを提供します。

要約(オリジナル)

Machine learning is increasingly used in government programs to identify and support the most vulnerable individuals, prioritizing assistance for those at greatest risk over optimizing aggregate outcomes. This paper examines the welfare impacts of prediction in equity-driven contexts, and how they compare to other policy levers, such as expanding bureaucratic capacity. Through mathematical models and a real-world case study on long-term unemployment amongst German residents, we develop a comprehensive understanding of the relative effectiveness of prediction in surfacing the worst-off. Our findings provide clear analytical frameworks and practical, data-driven tools that empower policymakers to make principled decisions when designing these systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google