Evidence for the use of an algorithm in resolving inconsistent and missing Indigenous status in administrative data collections
Notice bibliographique
Résumé
Measures of the gap in living standards, life expectancy, education, health and employment between Indigenous and non‐Indigenous Australians are primarily derived from administrative data sources. However, Indigenous identification in these data sources is affected by administrative practices, missing data, inconsistency, and error. As these factors have changed over time, assessing whether the gap between Indigenous and non‐Indigenous Australians has changed over time, based on data unadjusted for these sources of error can potentially lead to misguided conclusions. Combining administrative data on the same individuals collected from different sources provides a method by which a more consistent derived Indigenous status can be applied across all records for an individual within a linked data environment. We used the Western Australian Data Linkage system to produce derived Indigenous statuses for individuals using a range of algorithms. We found that these algorithms reduced the amount of missing data and improved within‐individual consistency. Based on these findings, we recommend our Multi‐Stage Median algorithm be used as the standard indicator of Indigenous status for any reporting based on administrative datasets when multiple datasets are available for linkage, and that algorithmic approaches also be considered for improving the quality of other demographic variables from administrative data sources.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,337 | 0,593 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,004 | 0,009 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,009 | 0,012 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».