Şu anda, birçok üniversite kapsamlı kapsamlı inceleme kavramına bağlı kalmaktadır.
Amerikan Üniversite Kabul Danışmanlığı Derneği (NACAC) tarafından yakın zamanda yapılan bir ankette, kabul memurlarının %70'i, başvuru sahiplerini seçerken kişisel nitelikleri önemli bir faktör olarak gördüklerini söyledi.
Bununla birlikte, gerçek dünyadaki incelemeler adaleti sağlamaz ve kabul çabaları ilgili kaynaklarla sınırlıdır.
Bu zorlukların üstesinden gelmek için, Pennsylvania Üniversitesi'nden Benjamin Lira liderliğindeki bir araştırma ekibi, başvuranların makalelerini sınıf dışında veya işte gözden geçirmek ve içlerinde yer alan yedi kişisel niteliği aramak için Sağlam Optimize Edilmiş BERT Ön Eğitim Yaklaşımı (RoBERTa) adlı bir dil modeli eğitti. **
**Bulgular, insan puanlaması üzerine eğitilmiş yapay zeka modellerinin dakikalar içinde milyonlarca bireysel kalite puanı üretebildiğini, insan puanlarını doğru bir şekilde çoğaltabildiğini ve yorumlanabilir ve adil olduğunu göstermektedir. **
"Üniversiteye kabullerde kişisel nitelikleri değerlendirmek için yapay zekayı kullanma" başlıklı araştırma makalesi, Science alt dergisi Science Advances'de yayınlandı.
Bununla birlikte, araştırma ekibi şunu da vurguluyor: "Hiçbir algoritma, üniversiteye kabul sürecinin hedeflerini veya hangi kişisel niteliklerin en önemli olduğunu belirleyemez ve üniversitelerin inceleme sürecini otomatikleştirmeden önce kabul hedeflerini netleştirmeleri gerekir." "
Yapay Zeka Kişisel Nitelikleri Başarıyla Tanımlar
Birçok üniversitede, kapsamlı inceleme, kişisel liyakati kritik bir husus olarak kabul eden, yaygın olarak benimsenen bir kabul değerlendirme yöntemi haline gelmiştir. Yaklaşımın, başvuru sahiplerinin standart testlerde yansıtılmayan bilişsel olmayan becerileri ve karakterleri göstermelerine izin verdiği için adaleti teşvik ettiği düşünülmektedir.
Bununla birlikte, tarihsel kanıtlar, özellikle değerlendirme kriterlerinin belirsiz olduğu ve açıklama veya açıklama eksikliği olduğu durumlarda, kapsamlı inceleme sistemlerinin de adaletsiz olabileceğini göstermektedir. ** Mevcut kapsamlı inceleme şeffaflıktan yoksundur, kabul görevlileri başvuru sahiplerinin kalitesini değerlendirmek için öncelikle bireysel beyanlara güvenmektedir, ancak bu ayrıntılar başvuru sahipleri ve halk için belirsizliğini korumaktadır.
Kapsamlı incelemeyi iyileştirmenin yolları arasında daha şeffaf ve sistematik bir değerlendirme metodolojisi, yapılandırılmış puanlama kriterlerinin kullanılması ve birden fazla bağımsız değerlendirme yer alır. Bu öneriler, değerlendirmelerin güvenilirliğini, geçerliliğini ve yorumlanabilirliğini artırabilecek ve böylece potansiyel önyargıyı azaltabilecek psikometrik ilkelerin uygulanmasını somutlaştırır.
Bununla birlikte, esas olarak artan başvuru sayısı, üniversiteye kabul memurlarının karşılaştığı zaman ve kaynak kısıtlamaları dahil olmak üzere sorunlar gerçekte kalmaktadır. Kaynaklar sınırsızsa, değerlendirmeler daha fazla adalet için daha iyi optimize edilebilir.
Bu çalışmada ekip, bireysel nitelikleri daha iyi değerlendirmenin bir yolunu geliştirmek için AI teknolojisini kullandı. İlk olarak, her biri başvuranın seçtiği ders dışı etkinliği veya işi açıklayan 150 kelimelik bir makale içeren, 309594 üniversite başvurularının tanımlanmamış bir örneğini seçtiler.
Daha sonra, araştırmacılar ve kabul memurları, bir dil modeli olan RoBERTa'yı eğitmek için bu makalelerden 3131'ini seçtiler. Makalelerinde sahip oldukları 7 nitelik için başvuru sahiplerini ararlar: öğrenme yeteneği, azim, hedef peşinde koşma, ekip çalışması, içsel motivasyon, liderlik ve özgecil hedefler ve bu nitelikler, hangi adayların üniversitede başarılı olma olasılığının en yüksek olduğunu belirlemeye yardımcı olabilir. **
Son olarak, araştırmacılar bu ince ayarlı modelleri 306463 ek makaleyi gözden geçirmek ve her birini puanlamak için kullandılar.
** Sonuçlar, araştırmacıların ve kabul görevlilerinin her makalede yedi kişisel nitelikte kanıt bulduğunu buldu. **Bazı kişisel nitelikler diğerlerinden daha yaygındır. Örneğin, makalelerin sırasıyla% 42 ve% 44'ünde "liderlik" tanımladılar; Buna karşılık, makalelerin yalnızca %19 ve %21'inde "azim" tanımladılar.
Yapay zeka yargıya yardımcı olur, yerini almaz
Bununla birlikte, bu çalışmanın da bazı sınırlamaları vardı. **
İlk olarak, çalışma, çalışmanın genişliğini sınırlayan Ortak Başvurunun gerektirdiği kişisel beyanları içermiyordu. Gelecekteki çalışmalar, özellikle son başvuru sahiplerinin kişisel beyanlarının PDF ekleri olarak sunulduğunu göz önünde bulundurarak, bu unsuru dahil etmeyi düşünmelidir.
İkincisi, veri kümesindeki lise not ortalaması, çalışmanın temsil edilebilirliğini etkileyebilecek yalnızca küçük bir başvuru sahibi alt kümesine dayanmaktadır. Gelecekteki araştırmaların, daha fazla kullanılabilir verinin nasıl elde edileceğine daha fazla odaklanması gerekiyor.
Üçüncüsü, kişisel kalitenin üniversite mezuniyeti üzerindeki öngörücü etkisi orta derecede yüksekti, ancak yalnızca standart test puanlarına göreydi. Uzun vadeli yaşam sonuçlarını tahmin etmek karmaşıktır ve çeşitli faktörlerin dikkate alınmasını gerektirir. Gelecekteki araştırmalar, öğrenim ödemeleri, akademik hazırlık ve destek gibi dikkate alınmayan diğer faktörleri keşfedebilir.
Dördüncüsü, çalışma sonuç olarak yalnızca üniversite mezuniyetine odaklandı ve genel not ortalaması, ders dışı etkinlikler ve topluluk katkıları gibi başarının diğer yönlerini dikkate almadı. Bu, üniversiteye kabul kararlarının hedeflerini ve uygulanmasını optimize etmek için daha geniş bir fikir birliği gerektirir. Gelecekteki araştırmalar, başarının daha fazla yönünü ve kişisel nitelikler üzerindeki etkisini göz önünde bulundurabilir.
** Bu nedenle bu çalışma, kapsamlı inceleme ve seçici kabulün mevcut durumuna eleştirel bir bakış açısı getirmektedir. Gelecekteki araştırma ve uygulamalar, süreci otomatikleştirmeden önce kapsamlı bir incelemenin hedeflerini netleştirmeye odaklanmalıdır. **
Buna ek olarak, çalışma, Campbell Yasası'nın, yüksek riskli kararlarda (düşük riskli araştırmaların aksine) değerlendirmeye verilen ağırlık ne kadar büyük olursa, çarpık motivasyonu tetikleme olasılığının o kadar yüksek olduğunu öne sürdüğünü buldu. Örneğin, başvuru sahipleri, belki de kabul memurlarına ve eğitimli algoritmalara hitap etmek için ChatGPT gibi yapay zeka araçlarını kullanarak kendi kağıtlarını şekillendirmeye çalışabilirler.
Algoritmaların da hata yaptığını belirtmekte fayda var, özellikle de kalıp bulma söz konusu olduğunda. Örneğin, çalışmanın ince ayarlı RoBERTa modeli, "Çocuk sığınma evine eroin bağışladım" cümlesine çok yüksek bir sosyal gol puanı verdi.
Bu nedenle, çalışma, insan yargısının yerini almak yerine yardımcı olmak için yapay zekanın kullanılmasını önermektedir. Hiçbir algoritma, üniversiteye kabul sürecinin hedeflerini veya hangi kişisel niteliklerin en önemli olduğunu belirleyemez. Algoritmaları insan yargısının yerine geçmek yerine bir tamamlayıcı olarak görmek, çelişkili kanıtlar olduğunda insanların insan karar vericilere algoritmalardan daha fazla güvenmeye meyilli olduğu algoritmik kaçınma sorununu da ele alabilir.
Kağıt Bağlantısı:
View Original
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
Üniversiteniz, yapay zeka karar verecek mi? Bilim alt dergisi: 7 kişisel özelliğinizi birkaç dakika içinde hesaplayın, ancak bunları idareli kullanın
Şu anda, birçok üniversite kapsamlı kapsamlı inceleme kavramına bağlı kalmaktadır.
Amerikan Üniversite Kabul Danışmanlığı Derneği (NACAC) tarafından yakın zamanda yapılan bir ankette, kabul memurlarının %70'i, başvuru sahiplerini seçerken kişisel nitelikleri önemli bir faktör olarak gördüklerini söyledi.
Bununla birlikte, gerçek dünyadaki incelemeler adaleti sağlamaz ve kabul çabaları ilgili kaynaklarla sınırlıdır.
Bu zorlukların üstesinden gelmek için, Pennsylvania Üniversitesi'nden Benjamin Lira liderliğindeki bir araştırma ekibi, başvuranların makalelerini sınıf dışında veya işte gözden geçirmek ve içlerinde yer alan yedi kişisel niteliği aramak için Sağlam Optimize Edilmiş BERT Ön Eğitim Yaklaşımı (RoBERTa) adlı bir dil modeli eğitti. **
**Bulgular, insan puanlaması üzerine eğitilmiş yapay zeka modellerinin dakikalar içinde milyonlarca bireysel kalite puanı üretebildiğini, insan puanlarını doğru bir şekilde çoğaltabildiğini ve yorumlanabilir ve adil olduğunu göstermektedir. **
"Üniversiteye kabullerde kişisel nitelikleri değerlendirmek için yapay zekayı kullanma" başlıklı araştırma makalesi, Science alt dergisi Science Advances'de yayınlandı.
Yapay Zeka Kişisel Nitelikleri Başarıyla Tanımlar
Birçok üniversitede, kapsamlı inceleme, kişisel liyakati kritik bir husus olarak kabul eden, yaygın olarak benimsenen bir kabul değerlendirme yöntemi haline gelmiştir. Yaklaşımın, başvuru sahiplerinin standart testlerde yansıtılmayan bilişsel olmayan becerileri ve karakterleri göstermelerine izin verdiği için adaleti teşvik ettiği düşünülmektedir.
Bununla birlikte, tarihsel kanıtlar, özellikle değerlendirme kriterlerinin belirsiz olduğu ve açıklama veya açıklama eksikliği olduğu durumlarda, kapsamlı inceleme sistemlerinin de adaletsiz olabileceğini göstermektedir. ** Mevcut kapsamlı inceleme şeffaflıktan yoksundur, kabul görevlileri başvuru sahiplerinin kalitesini değerlendirmek için öncelikle bireysel beyanlara güvenmektedir, ancak bu ayrıntılar başvuru sahipleri ve halk için belirsizliğini korumaktadır.
Kapsamlı incelemeyi iyileştirmenin yolları arasında daha şeffaf ve sistematik bir değerlendirme metodolojisi, yapılandırılmış puanlama kriterlerinin kullanılması ve birden fazla bağımsız değerlendirme yer alır. Bu öneriler, değerlendirmelerin güvenilirliğini, geçerliliğini ve yorumlanabilirliğini artırabilecek ve böylece potansiyel önyargıyı azaltabilecek psikometrik ilkelerin uygulanmasını somutlaştırır.
Bununla birlikte, esas olarak artan başvuru sayısı, üniversiteye kabul memurlarının karşılaştığı zaman ve kaynak kısıtlamaları dahil olmak üzere sorunlar gerçekte kalmaktadır. Kaynaklar sınırsızsa, değerlendirmeler daha fazla adalet için daha iyi optimize edilebilir.
Bu çalışmada ekip, bireysel nitelikleri daha iyi değerlendirmenin bir yolunu geliştirmek için AI teknolojisini kullandı. İlk olarak, her biri başvuranın seçtiği ders dışı etkinliği veya işi açıklayan 150 kelimelik bir makale içeren, 309594 üniversite başvurularının tanımlanmamış bir örneğini seçtiler.
** Sonuçlar, araştırmacıların ve kabul görevlilerinin her makalede yedi kişisel nitelikte kanıt bulduğunu buldu. **Bazı kişisel nitelikler diğerlerinden daha yaygındır. Örneğin, makalelerin sırasıyla% 42 ve% 44'ünde "liderlik" tanımladılar; Buna karşılık, makalelerin yalnızca %19 ve %21'inde "azim" tanımladılar.
Yapay zeka yargıya yardımcı olur, yerini almaz
Bununla birlikte, bu çalışmanın da bazı sınırlamaları vardı. **
İlk olarak, çalışma, çalışmanın genişliğini sınırlayan Ortak Başvurunun gerektirdiği kişisel beyanları içermiyordu. Gelecekteki çalışmalar, özellikle son başvuru sahiplerinin kişisel beyanlarının PDF ekleri olarak sunulduğunu göz önünde bulundurarak, bu unsuru dahil etmeyi düşünmelidir.
İkincisi, veri kümesindeki lise not ortalaması, çalışmanın temsil edilebilirliğini etkileyebilecek yalnızca küçük bir başvuru sahibi alt kümesine dayanmaktadır. Gelecekteki araştırmaların, daha fazla kullanılabilir verinin nasıl elde edileceğine daha fazla odaklanması gerekiyor.
Üçüncüsü, kişisel kalitenin üniversite mezuniyeti üzerindeki öngörücü etkisi orta derecede yüksekti, ancak yalnızca standart test puanlarına göreydi. Uzun vadeli yaşam sonuçlarını tahmin etmek karmaşıktır ve çeşitli faktörlerin dikkate alınmasını gerektirir. Gelecekteki araştırmalar, öğrenim ödemeleri, akademik hazırlık ve destek gibi dikkate alınmayan diğer faktörleri keşfedebilir.
Dördüncüsü, çalışma sonuç olarak yalnızca üniversite mezuniyetine odaklandı ve genel not ortalaması, ders dışı etkinlikler ve topluluk katkıları gibi başarının diğer yönlerini dikkate almadı. Bu, üniversiteye kabul kararlarının hedeflerini ve uygulanmasını optimize etmek için daha geniş bir fikir birliği gerektirir. Gelecekteki araştırmalar, başarının daha fazla yönünü ve kişisel nitelikler üzerindeki etkisini göz önünde bulundurabilir.
Buna ek olarak, çalışma, Campbell Yasası'nın, yüksek riskli kararlarda (düşük riskli araştırmaların aksine) değerlendirmeye verilen ağırlık ne kadar büyük olursa, çarpık motivasyonu tetikleme olasılığının o kadar yüksek olduğunu öne sürdüğünü buldu. Örneğin, başvuru sahipleri, belki de kabul memurlarına ve eğitimli algoritmalara hitap etmek için ChatGPT gibi yapay zeka araçlarını kullanarak kendi kağıtlarını şekillendirmeye çalışabilirler.
Algoritmaların da hata yaptığını belirtmekte fayda var, özellikle de kalıp bulma söz konusu olduğunda. Örneğin, çalışmanın ince ayarlı RoBERTa modeli, "Çocuk sığınma evine eroin bağışladım" cümlesine çok yüksek bir sosyal gol puanı verdi.
Bu nedenle, çalışma, insan yargısının yerini almak yerine yardımcı olmak için yapay zekanın kullanılmasını önermektedir. Hiçbir algoritma, üniversiteye kabul sürecinin hedeflerini veya hangi kişisel niteliklerin en önemli olduğunu belirleyemez. Algoritmaları insan yargısının yerine geçmek yerine bir tamamlayıcı olarak görmek, çelişkili kanıtlar olduğunda insanların insan karar vericilere algoritmalardan daha fazla güvenmeye meyilli olduğu algoritmik kaçınma sorununu da ele alabilir.
Kağıt Bağlantısı: