Evaluating profiling as a means of allocating government services
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper considers the use of statistical profiling to allocate persons to alternative options within government programs, or to participation or non-participation in programs Profiling has been used in the United States to allocate unemployment insurance (UI) claimants to reemployment services based on the predicted duration of their UI claim. We place profiling in the context of the choice among alternative assignment mechanisms. Different mechanisms have different costs and benefits — any one mechanism, whether profiling or something else, may not be optimal for every program. Within profiling systems, we highlight the need for clarity regarding the objective of the assignment mechanism, e.g. equity or efficiency, and we discuss situations in which equity and efficiency goals may conflict. In relation to UI profiling in the United States, we provide empirical evidence from the state of Kentucky on two important questions. First, we demonstrate that it is possible to effectively predict the duration of UI spells, but that effectively doing so requires using more covariates than many US states presently do. This finding is important because effective prediction of the profiling variable is a necessary but not sufficient condition for the success of a profiling system. Second, we show that the impact of reemployment services does not appear to vary with expected duration of the UI spell, indicating that UI profiling in Kentucky does not advance the goal of efficiency, though it may advance equity goals.KeywordsProfilingstochastic treatment ruleunemployment insuranceevaluation
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle