Welcome to the UPF Digital Repository

Risk assessment in complex data settings: algorithmic fairness and causal inference

Show simple item record

dc.contributor.author Karimi-Haghighi, Marzieh
dc.contributor.other Castillo, Carlos
dc.contributor.other Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions
dc.date.accessioned 2024-03-16T02:34:32Z
dc.date.available 2024-03-16T02:34:32Z
dc.date.issued 2023-02-03T13:56:44Z
dc.date.issued 2023-02-03T13:56:44Z
dc.date.issued 2023-01-20
dc.identifier http://hdl.handle.net/10803/687573
dc.identifier.uri http://hdl.handle.net/10230/55607
dc.description.abstract We try to address some challenges in structured risk assessment tools in two application areas of recidivism risk in criminal justice and dropout risk in higher education domain. Using Machine Learning (ML) methods, we suggest a cost-benefit scenario to efficiently save time, expenses and staff in a data-driven assessment of violent recidivism risk. This leads to fewer evaluations in exchange for some small number of undetected changes. Importantly, we mitigate the model’s disparate impact in the rate of evaluation across some demographics. We obtain more accurate ML risk prediction models compared to the previous models and improve algorithmic fairness of the models across some sensitive groups in terms of error disparity and calibration. We determine the effect of a treatment on the outcome risk using statistical causal inference methods. We show that a reduction in university workload reduces dropout risk and conditional release can reduce general and violent recidivism risks.
dc.description.abstract Intentamos abordar algunos desafíos en las herramientas estructuradas de evaluación de riesgos en dos áreas de aplicación de riesgo de reincidencia y riesgo de deserción universitaria. Usando métodos de ML, sugerimos un escenario de costo-beneficio para ahorrar tiempo, gastos y personal de manera eficiente en una evaluación basada en datos del riesgo de reincidencia violenta. Esto conduce a menos evaluaciones a cambio de una pequeña cantidad de cambios no detectados. Mitigamos impacto dispar del modelo en tasa de evaluación en algunos grupos demográficos. Obtenemos modelos de predicción de riesgo de ML más precisos en comparación con los modelos anteriores y mejoramos la equidad algorítmica de los modelos en algunos grupos sensibles en términos de disparidad de errores y calibración. Usando métodos estadísticos de inferencia causal, mostramos que una reducción en carga de trabajo universitaria reduce riesgo de deserción y liberación condicional puede reducir riesgos de reincidencia general y violenta.
dc.description.abstract Programa de doctorat en Tecnologies de la Informació i les Comunicacions
dc.format 200 p.
dc.format application/pdf
dc.language.iso eng
dc.publisher Universitat Pompeu Fabra
dc.rights ADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
dc.rights info:eu-repo/semantics/openAccess
dc.source TDX (Tesis Doctorals en Xarxa)
dc.title Risk assessment in complex data settings: algorithmic fairness and causal inference
dc.type info:eu-repo/semantics/doctoralThesis
dc.type info:eu-repo/semantics/publishedVersion
dc.date.modified 2024-03-15T10:58:05Z
dc.subject.keyword Risk assessment
dc.subject.keyword Violent recidivism
dc.subject.keyword General recidivism
dc.subject.keyword University dropout
dc.subject.keyword Machine learning
dc.subject.keyword Algorithmic fairness
dc.subject.keyword Causal inference
dc.subject.keyword Conditional release
dc.subject.keyword University credits
dc.subject.keyword Average treatment effect
dc.subject.keyword Evaluación de riesgos
dc.subject.keyword Reincidencia violenta y general
dc.subject.keyword Deserción universitaria
dc.subject.keyword Aprendizaje automático
dc.subject.keyword Equidad algorítmica
dc.subject.keyword Inferencia causal
dc.subject.keyword Liberación condicional
dc.subject.keyword Créditos universitarios
dc.subject.keyword 62


Files in this item

Files Size Format View

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Advanced Search

Browse

My Account

Statistics

In collaboration with Compliant to Partaking