しかし、ネットワーク接続を最適化することは、テスト スコアを最適化することよりも漠然とした作業であると主張する人もいるかもしれません。 正確には、目的関数は何であるべきですか?
これを探求するためのフレームワークの 1 つは、子どもと家族がどのように絡み合って形成され、そもそもどのように進化するかというネットワークに焦点を当てることを含むかもしれません。 学校教育の文脈では、これには、学区がどの学校に通学できるかを決定するために設計する幅広いポリシー (「学校割り当てポリシー」) と、これらのポリシーに基づいて子供の学校を選択する際に家族が採用する慣行が含まれます。 このような政策や慣行は歴史的に、人種や社会経済的地位による学校の隔離などの有害な特徴を永続させてきました。 公教育を定義する アメリカ合衆国で。 多くの学者は、人口統合は歴史的に見て、 最も効果的な方法 歴史的に不利な立場にあったグループの学業準備を強化するためだけでなく、 より大きな思いやりを育む と理解—たとえば、の倫理 多元—さまざまなバックグラウンドを持つ人々の間で。
AI は、多様で統合された学校を育成する、より公平な学校割り当てポリシーの設計をサポートするのに役立ちます。たとえば、「通学区域」 (つまり、どの地域がどの学校に食事を提供するかを決定する集水域) を再描画する地区レベルの計画作業をサポートすることによって、支援できます。家族に大きな移動負担やその他の不便を課すことなく、住宅隔離の根底にあるパターンを緩和しようとする方法で。
既存 研究者と実践者のパートナーシップ—そして私自身のいくつか リサーチ 共同研究者の Doug Beeferman、Christine Vega-Pourheydarian、Cassandra Overney、Pascal Van Hentenryck、Kumar Chandra、Deb Roy とともに、オペレーションズ リサーチ コミュニティのツールと、 制約プログラミング 学校での人種的および社会経済的統合を最適化できる代替割り当てポリシーを調査する。
これらのアルゴリズムは、競合する多くの目的 (家族の移動時間や学校の切り替えなど) のバランスをとる、より統合された学校への潜在的な経路を特定するために、一見無数の可能性のある境界変更を調査するという面倒なプロセスを簡素化するのに役立ちます。 また、機械学習システム (境界の変更に直面した場合に家族の選択を予測しようとするシステムなど) と組み合わせて、ポリシーの変更が学校の人口統計にどのように影響するかをより現実的に推定することもできます。
もちろん、これらの AI のアプリケーションにはリスクが伴います。 学校の切り替えは生徒にとって混乱を招く可能性があり、学校レベルの統合があっても、教室やカフェテリアなどの小規模では分離が続く可能性があります。 カリキュラム追跡、文化に対応した教育慣行の欠如、およびその他の要因。 さらに、アプリケーションは、コミュニティの声を政策決定プロセスに組み込む適切な社会技術的インフラストラクチャに組み込まれている必要があります。 それでも、AI を使用して、どの生徒や家族が一緒に学校に通っているかを知らせることは、生徒が接続するネットワークを変え、ひいては彼らが最終的に達成する人生の結果を変える、より深い構造変化を引き起こす可能性があります。
しかし、家族間の学校選択行動を変えずに学校の割り当て方針を変更しても、生徒が利用されるネットワークの持続可能な変化につながる可能性は低い. ここでもAIが果たすべき役割があるかもしれません。 たとえば、次のようなデジタル学校評価プラットフォーム GreatSchools.org 家族が子供のために学校を評価して選択する方法をますます形作っています。特に、子供の評価は Redfin のような住宅サイトに組み込まれていることが多く、家族が住む場所を選択するのに影響を与える可能性があるためです。