Алгоритмы помогают бороться с сегрегацией элитных школ
Перевод https://algorithmwatch.org/en/story/zurich-schools-algorithm/
Два исследователя из Цюрихского университета создали алгоритм, который помогает десегрегировать школы, слегка изменяя границы кварталов привязанных к каждой школы.
С тех пор как власти решили открыть государственные школы для детей всех возрастов в течение 20-го века, элитные семьи перегруппировались в избранных школах. В ходе многочисленных исследований было показано, что такая сегрегация приводит к снижению общей успеваемости учащихся. В школах, где непривилегированные учащиеся чрезмерно представлены, страдают оценки всех детей, независимо от их происхождения. Но когда в элитную школу поступают более обездоленные ученики, их успеваемость улучшается, а оценки привилегированных детей остаются неизменными.
Поскольку все должны извлекать выгоду из десегрегации, во многих странах существуют обязательные программы для того, чтобы сделать школы более разнообразными. Наиболее известные из методов, когда чернокожие учащиеся были принудительно “посажены” в школы белого большинства в Соединенных Штатах, были под огнем критики сторонников сегрегации до такой степени, что в итоге школы в Соединенных Штатах вернулись к уровням сегрегации 1970-х годов.
Сдержанный подход
Оливер Длабак и Адина Амрайн из Центра изучения демократии Арау в Университете Цюриха разработали алгоритм, который уменьшает сегрегацию гораздо более тонким способом, чем”bussing”.
В экспериментальном исследовании, опубликованном 18 ноября, они смоделировали каждый квартал города Цюриха в соответствии с долей домохозяйств, в которых официальный немецкий язык не используется дома и где оба родителя не посещают школу за пределами обязательного образования, что является стандартным показателем неблагополучного происхождения. Они назвали этот показатель “индексом концентрации”, или K-индексом.
Они проанализировали территории относящиеся к 77 начальных школ города, квартал за кварталом. Как и следовало ожидать, они обнаружили почти идеальную корреляцию между индексом концентрации окружения школы и индексом территории относящейся к школе. Другими словами, школьная сегрегация отражает существующую сегрегацию в городе.
Разработанный ими алгоритм работает как настольная игра. На каждом ходу школа обменивается территорией до четырех кварталов с соседними школами, при условии, что обмен приближает индекс концентрации этой школы к среднему по городу, не нанося ущерба более сегрегированной школе. Когда ни одна школа больше не может перейти к такому обмену, игра останавливается. Существуют правила: зона охвата каждой школы должна оставаться ближайшей, «пропускная способность» школы должна оставаться постоянной, дети не могут тратить на дорогу сильно больше времени, они не могут проходить перед другой школой на своем пути и не могут пересекать большую улицу (такие параметры обычно используются при определении относящейся к школе территории.)
Эффективная десегрегация
После 1094 шагов, алгоритм предложил новые территории для начальных школ Цюриха. На первый взгляд, карта меняется мало. Действительно, для школ, которые находятся в отдаленных районах, замена кварталов при соблюдении всех правил практически невозможна. Но для других, в более плотных районах, изменения значительны.
В одной из самых сегрегированных школ, Zurlinden, алгоритм мог бы изменить индекс К-от более чем 70% до 44% (что все еще на 16 процентных пунктов выше среднего по городу). В целом этот алгоритм позволил бы увеличить число учащихся, посещающих школы, в которых индекс К был на 15 процентных пунктов выше или ниже среднего показателя по всему городу, с 2600 до 2100 человек (в общей сложности около 7000 учащихся).
Изменения могут быть скромными, но они колоссальны, учитывая, что используемый метод ненавязчив для школ, детей и родителей. В Цюрихе территории школ хранятся в массивном Excel-листе, который обновляется каждый год. Замены между школами из года в год не являются редкостью и было бы легко вставить алгоритм в этот процесс такого обновления.
Применимо в большинстве городов
В интервью AlgorithmWatch г-н Длабак и г-жа Амрхейн написали, что их алгоритм может быть адаптирован к любому городу, при условии, что районы охвата школ определяются территорией (как в России, например). Все, что необходимо,это полная пешеходная сеть города доступная на OpenStreetMap или другой карте, геокодированные данные о плотности движения и/или предполагаемой безопасности пересечения улиц (например, в соответствии со школьным инструкцией местной полиции), всеобъемлющий набор данных о учащихся, которые будут назначены, и атрибуты, позволяющие охарактеризовать уличные блоки с точки зрения их вклада в некоторую концентрационную меру K”.
Они подсчитали, что проект потребовал 950 человеко-часов, или около 2,5 месяцев работы для команды из 2 человек.
