Học sinh đang bị gắn mác "Rủi ro cao" vì chủng tộc và thu nhập của họ ở Wisconsin

Câu chuyện này đã được xuất bản cùng với Chalkbeat , một tổ chức tin tức phi lợi nhuận đưa tin về giáo dục công cộng. Đăng ký nhận bản tin của nó ở đây .

Mùa hè năm ngoái, các quản trị viên tại Trường Trung học Bradford ở Kenosha, Wis., đã họp như thường lệ hàng năm để lập kế hoạch cho lớp chín sắp tới. Từ danh sách hàng trăm học sinh cấp hai, phó hiệu trưởng Matt Brown và các nhân viên của ông đã lập danh sách từ 30 đến 40 học sinh mà họ nghi ngờ có thể gặp khó khăn nhất để tốt nghiệp.

Trong suốt kỳ nghỉ hè, Brown và nhóm của ông đã lên danh sách và đến thăm nhà từng đứa trẻ. Các nhân viên đã mang áo phông cho học sinh, giới thiệu bản thân với phụ huynh, để lại thông tin liên lạc và họ hy vọng sẽ có ấn tượng tích cực ban đầu.

“Nó giống như, 'Này, chúng tôi muốn giới thiệu cho bạn một số thiết bị của Bradford. Bây giờ bạn sẽ là thành viên của gia đình Bradford'”, Brown nói.

“Nó xuất phát từ quan điểm, 'Này, chúng tôi ở đây để hỗ trợ bạn', không nhất thiết là, 'Này, năm ngoái con bạn thực sự đã gặp rắc rối'… bởi vì chúng tôi không muốn các bậc cha mẹ cảm thấy như bạn' họ đã gán cho con họ là kẻ hay gây rối rồi.”

Nhưng trong hầu hết các trường hợp, các sinh viên trong danh sách tham quan mùa hè của Bradford đều đến đó vì bị gắn nhãn—“rủi ro cao”—được gán cho họ bởi một thuật toán không công bằng về chủng tộc do bang Wisconsin xây dựng, một thuật toán thường xuyên đưa ra những cảnh báo sai.

Kể từ năm 2012, các nhà quản lý trường học ở Wisconsin như Brown đã có ấn tượng đầu tiên về học sinh mới từ Hệ thống cảnh báo sớm bỏ học (DEWS), một tập hợp các thuật toán học máy sử dụng dữ liệu lịch sử—chẳng hạn như điểm kiểm tra của học sinh, hồ sơ kỷ luật, miễn phí hoặc giảm giá. tình trạng giá bữa trưa và cuộc đua—để dự đoán khả năng mỗi học sinh từ lớp sáu đến lớp chín trong tiểu bang sẽ tốt nghiệp trung học đúng hạn.

Hai lần một năm, các trường nhận được danh sách học sinh đã đăng ký với dự đoán được mã hóa màu của DEWS bên cạnh mỗi tên: màu xanh lá cây cho rủi ro thấp, màu vàng cho rủi ro vừa phải hoặc màu đỏ cho nguy cơ bỏ học cao.

Các quan chức giáo dục từng coi DEWS như một công cụ quan trọng trong cuộc chiến chống lại khoảng cách tốt nghiệp của bang.

Trong khi 94% học sinh Da trắng tốt nghiệp đúng hạn vào năm ngoái, chỉ có 82% học sinh gốc Tây Ban Nha và 71% học sinh Da đen hoàn thành trung học trong bốn năm. DEWS nhằm mục đích đưa những dự đoán được cá nhân hóa vào tay các nhà giáo dục đủ sớm để họ có thể can thiệp trước khi một đứa trẻ có dấu hiệu đi chệch hướng rõ ràng.

Nhưng sau một thập kỷ sử dụng và hàng triệu dự đoán, The Markup đã phát hiện ra rằng DEWS có thể gây ảnh hưởng tiêu cực và không chính xác đến cách các nhà giáo dục nhìn nhận học sinh, đặc biệt là học sinh da màu.

Và một nghiên cứu học thuật sắp tới của các nhà nghiên cứu đến từ Đại học California, Berkeley, người đã chia sẻ dữ liệu và kết quả chuẩn bị xuất bản với The Markup, đã kết luận rằng DEWS đã thất bại trong mục tiêu chính của mình: cải thiện tỷ lệ tốt nghiệp cho những sinh viên mà họ cho là “có nguy cơ cao”. ”

Một phân tích công bằng nội bộ của Bộ Hướng dẫn Công (DPI) được thực hiện vào năm 2021 cho thấy DEWS đã tạo ra cảnh báo sai về việc học sinh da đen và gốc Tây Ban Nha không tốt nghiệp đúng hạn với tỷ lệ lớn hơn đáng kể so với các bạn cùng lớp Da trắng của họ.

Tỷ lệ cảnh báo sai của thuật toán—tần suất một sinh viên mà nó dự đoán sẽ không tốt nghiệp đúng thời hạn nhưng thực tế đã tốt nghiệp đúng hạn—đối với sinh viên Da đen cao hơn 42 điểm phần trăm so với sinh viên Da trắng, theo một bài thuyết trình tóm tắt phân tích của Sở Kế hoạch Đầu tư (DP) mà chúng tôi thu được thông qua một yêu cầu hồ sơ công cộng.

Tỷ lệ báo động sai ở học sinh gốc Tây Ban Nha cao hơn 18 điểm phần trăm so với học sinh da trắng.

Sở Kế hoạch và Đầu tư đã không thông báo cho các quan chức trường học sử dụng DEWS về những phát hiện này cũng như không hề thay đổi các thuật toán trong gần hai năm kể từ khi kết luận DEWS là không công bằng.

Bản trình bày của Sở Kế hoạch và Đầu tư tóm tắt phân tích công bằng mà chúng tôi đã xem xét không bao gồm tỷ lệ cảnh báo sai cơ bản đối với sinh viên Da đen, Tây Ban Nha và Da trắng mà Sở Kế hoạch và Đầu tư đã sử dụng để tính toán. Nó cũng không bao gồm kết quả của học sinh thuộc các chủng tộc khác.

Bộ từ chối trả lời các câu hỏi về phân tích và để đáp lại yêu cầu hồ sơ công khai sau đó, Sở Kế hoạch và Đầu tư cho biết họ không có tài liệu nào về kết quả phân tích vốn chủ sở hữu ngoài phần trình bày. (Có thể xem video buổi thuyết trình tại đây .)

Một cuộc kiểm tra xác nhận riêng biệt của Sở Di trú về độ chính xác của DEWS vào tháng 3 năm 2021 cho thấy nó đã sai gần 3/4 số lần dự đoán một sinh viên sẽ không tốt nghiệp đúng hạn.

Những sinh viên mà chúng tôi phỏng vấn đã rất ngạc nhiên khi biết DEWS tồn tại và nói với The Markup rằng họ lo ngại rằng một thuật toán đang sử dụng chủng tộc của họ để dự đoán tương lai của họ và gắn nhãn cho họ là rủi ro cao.

Christopher Lyons, một học sinh da đen tốt nghiệp trường Trung học Bradford năm 2022, cho biết: “Nó khiến học sinh da màu cảm thấy như bị tách biệt… giống như họ tự động có ít hơn”.

Người phát ngôn của Wisconsin Wisconsin, Abigail Swetz từ chối trả lời các câu hỏi về DEWS nhưng đưa ra một tuyên bố ngắn gọn qua email.

“DEWS có phân biệt chủng tộc không?” Swetz đã viết. “Không, việc phân tích dữ liệu không mang tính phân biệt chủng tộc. Đó là toán học phản ánh hệ thống của chúng tôi. Thực tế là chúng ta đang sống trong một xã hội theo chủ nghĩa thượng đẳng của người da trắng, và hệ thống giáo dục mang tính phân biệt chủng tộc một cách có hệ thống. Đó là lý do tại sao Sở Kế hoạch và Đầu tư cần các công cụ như DEWS và đó là lý do tại sao chúng tôi cam kết đảm bảo công bằng trong giáo dục.”

Để trả lời những phát hiện của chúng tôi và những câu hỏi tiếp theo, Swetz đã viết: “Bạn có sự hiểu lầm cơ bản về cách thức hoạt động của hệ thống này. Chúng tôi giữ nguyên phản hồi trước đó của mình.” Cô không giải thích sự hiểu lầm cơ bản đó là gì.

Để tổng hợp xem DEWS đã ảnh hưởng như thế nào đến các học sinh mà nó đã đánh giá, The Markup đã xem xét nghiên cứu của Sở KH&ĐT chưa được công bố, phân tích dữ liệu DEWS cấp quận trong 10 năm, phỏng vấn học sinh và quan chức nhà trường, đồng thời thu thập phản hồi khảo sát từ 80 trong số hơn 400 quận của bang về việc sử dụng các dự đoán của họ

Cuộc điều tra của chúng tôi cho thấy rằng nhiều quận ở Wisconsin sử dụng DEWS—38% số người phản hồi với cuộc khảo sát của chúng tôi—và các lỗi kỹ thuật của thuật toán càng trở nên trầm trọng hơn do thiếu đào tạo cho các nhà giáo dục.

DEWS là một chương trình tự nguyện và Sở KH&ĐT khuyến khích các nhà giáo dục sử dụng các dự đoán kết hợp với dữ liệu địa phương khác về học sinh để đưa ra quyết định. Cơ quan này không theo dõi liệu các trường có sử dụng dự đoán hay không và sử dụng như thế nào.

Hiệu trưởng, giám đốc và các quản trị viên khác nói với The Markup rằng họ nhận được rất ít hoặc không nhận được lời giải thích nào về cách DEWS tính toán các dự đoán của mình hoặc cách chuyển nhãn như “rủi ro cao” thành biện pháp can thiệp thích hợp.

Ở những quận như Kenosha, học sinh da màu không cần dữ liệu để hiểu hậu quả của việc bị các hệ thống thiên vị đánh giá. Vào năm 2020, thành phố đã gây chú ý trên toàn quốc sau vụ cảnh sát bắn chết Jacob Blake.

Và đầu năm nay, gia đình của một học sinh da đen 12 tuổi đã kiện Học khu Thống nhất Kenosha sau khi một sĩ quan cảnh sát làm nhiệm vụ an ninh đã đặt cô bé vào tình trạng nghẹt thở trong phòng ăn trưa của trường.

Vào năm 2018, năm Lyons vào trường trung học Bradford, một giáo viên ở đó đã liên tục bị quay phim bằng những lời nói tục tĩu về chủng tộc trước mặt học sinh. Năm đó, DEWS cho rằng 43% học sinh lớp 9 Da đen ở Kenosha có nguy cơ cao, so với 11% học sinh lớp 9 Da trắng.

Vào thời điểm đó, Lyons cho biết anh đã mất động lực học tập. “Có cảm giác như chúng tôi không được kỳ vọng sẽ làm được gì nhiều,” anh nói. “Có cảm giác như họ biết rằng số phận của chúng tôi là thất bại.”

Sau đó, một điều bất ngờ đã xảy ra vào năm thứ hai của anh ấy: Đại dịch COVID-19 tấn công, các lớp học trở nên ảo, và như anh ấy nói, điểm số của anh ấy “tăng vọt” từ điểm trung bình 2,9 trước đại dịch lên điểm trung bình 3,8 sau khi chuyển sang học từ xa.

Đối với nhiều sinh viên, việc học tập của họ bị gián đoạn khiến họ mất phương hướng nhưng đối với Lyons, điều đó cho phép anh tập trung. Anh nói: “Tôi không bị áp lực xã hội như các giáo viên xung quanh hay ban giám hiệu xung quanh tôi. “Chỉ có tôi, chiếc máy tính, bất cứ ai tôi đang nói chuyện.”

Năm ngoái, Lyons bắt đầu năm thứ nhất tại Carthage College ở Kenosha với học bổng toàn phần. Hành trình của anh minh họa những điểm kỳ quặc trong tính cách, phong cách học tập và môi trường mà một số chuyên gia cho rằng khiến việc dự đoán tương lai của một cá nhân học sinh dựa trên phân tích cấp độ dân số của những học sinh tương tự về mặt thống kê trở nên phản tác dụng.

Tuy nhiên, các hệ thống cảnh báo sớm sử dụng máy học để dự đoán kết quả của học sinh rất phổ biến ở giáo dục K-12 và đại học . Theo một cuộc khảo sát của Markup trên tất cả 50 tiểu bang, ít nhất tám cơ quan giáo dục công của tiểu bang cung cấp các hệ thống cảnh báo sớm bằng thuật toán hoặc hiện đang xây dựng chúng để sử dụng trong tương lai. Bốn tiểu bang đã không trả lời.

Montana là tiểu bang duy nhất ngoài Wisconsin cho biết họ đã kiểm tra cách thức hoạt động của hệ thống cảnh báo sớm đối với các nhóm chủng tộc khác nhau. Người phát ngôn của Văn phòng Hướng dẫn Công cộng Montana, Brian O'Leary, nói rằng nghiên cứu về công bằng của bang ông vẫn chưa kết thúc.

“DEWS có công bằng không? KHÔNG ..."

Vào đầu và giữa mỗi năm, DEWS tính toán khả năng mỗi học sinh sắp nhập học từ lớp sáu đến lớp chín sẽ tốt nghiệp trung học đúng hạn theo thang điểm từ 0 đến 100.

Điểm 90 cho thấy những học sinh có đặc điểm học tập, hành vi và nhân khẩu học tương tự đã tốt nghiệp đúng hạn 90% thời gian trước đây. Bất kỳ học sinh nào có điểm DEWS (cộng với sai số) dưới 78,5 đều bị coi là có nguy cơ cao không tốt nghiệp đúng hạn.

Để giúp các nhà giáo dục hiểu dự đoán dễ dàng hơn, Sở Di trú chuyển điểm DEWS sang định dạng đơn giản, được mã hóa bằng màu sắc. Bên cạnh tên của mỗi học sinh trong tab DEWS của hệ thống thông tin toàn tiểu bang là một nhãn hiển thị điểm số của họ và chỉ định rủi ro màu xanh lá cây “thấp”, màu vàng “trung bình” hoặc màu đỏ “cao”.

Trong năm học 2020–21, hơn 32.000 học sinh—15 phần trăm học sinh từ lớp sáu đến lớp chín của tiểu bang—được xếp vào loại “nguy cơ cao”.

Chú thích: Ví dụ về cách hiển thị dự đoán DEWS của học sinh trong hệ thống thông tin toàn tiểu bang. Người cung cấp: Bản tóm tắt dữ liệu DEWS của Sở Kế hoạch và Đầu tư

Các chuyên gia cho biết hệ thống này được thiết kế theo cách có thể vô tình làm sai lệch quan điểm của các nhà giáo dục về học sinh và định hướng sai các nguồn lực khan hiếm của trường học. Điều đặc biệt quan tâm là mức độ DEWS dựa vào các yếu tố như chủng tộc, khuyết tật và tài sản gia đình, những yếu tố có khả năng mã hóa sự phân biệt đối xử có hệ thống và cả trường học lẫn học sinh đều không thể thay đổi.

Các điểm dữ liệu khác được cung cấp cho DEWS, chẳng hạn như tỷ lệ kỷ luật, có sự chênh lệch rõ ràng về chủng tộc —DP biết điều này và đã viết về nó trên trang web của mình .

Tolani Britton cho biết: “Tôi tự hỏi về cách mà các loại rủi ro này thúc đẩy các trường học và khu học chánh xem xét các cá nhân thay vì các vấn đề về cơ cấu - nói rằng đứa trẻ này cần những thứ này chứ không phải các vấn đề về cơ cấu là lý do khiến chúng tôi nhìn thấy những rủi ro này”. , giáo sư giáo dục tại UC Berkeley, người đồng viết nghiên cứu sắp tới về DEWS.

“Tôi không nghĩ việc học sinh nhận được thêm tài nguyên là điều xấu, nhưng đồng thời, việc tạo ra các thuật toán liên kết chủng tộc hoặc sắc tộc của bạn với khả năng hoàn thành chương trình trung học của bạn dường như là một con đường nguy hiểm.”

Khi DEWS dự đoán rằng một sinh viên sẽ tốt nghiệp, điều đó thường đúng—97% thời gian những sinh viên đó tốt nghiệp trong bốn năm tiêu chuẩn, theo bài kiểm tra xác nhận năm 2021, cho thấy các thuật toán hoạt động như thế nào khi kiểm tra trên dữ liệu lịch sử.

Nhưng khi DEWS dự đoán một sinh viên sẽ không làm như vậy thì điều đó thường sai – 74% những sinh viên đó tốt nghiệp đúng hạn, theo cùng một bài kiểm tra.

Điều này một phần là do thiết kế. Sở Kế hoạch và Đầu tư hiệu chỉnh DEWS để tạo ra một mạng lưới rộng khắp và xác định rõ ràng những học sinh có nguy cơ bỏ học.

Trong một bài báo năm 2015 mô tả DEWS trên Tạp chí Khai thác Dữ liệu Giáo dục, cựu nhà phân tích nghiên cứu của Sở Kế hoạch và Đầu tư, Jared Knowles đã viết rằng Sở Kế hoạch và Đầu tư đã “tuyên bố rõ ràng rằng chúng tôi sẵn sàng chấp nhận” 25 cảnh báo sai rằng học sinh sẽ không tốt nghiệp nếu điều đó có nghĩa là xác định chính xác một học sinh bỏ học.

Nhưng trong phân tích vốn chủ sở hữu của mình, Sở KH&ĐT nhận thấy các thuật toán không tạo ra cảnh báo sai như nhau .

Chú thích: Ảnh chụp màn hình từ bản trình bày của Sở KHĐT tóm tắt kết quả phân tích vốn chủ sở hữu DEWS của bộ. Tín dụng: Wisconsin Sở KHĐT

“Theo ĐIỀU KHOẢN của LAYMAN: mô hình xác định quá mức các sinh viên da trắng trong số những sinh viên tốt nghiệp đúng thời hạn trong khi nó xác định quá mức các sinh viên da đen, gốc Tây Ban Nha và các sinh viên da màu khác trong số những sinh viên tốt nghiệp không đúng thời hạn,” một nhà phân tích nghiên cứu của Sở Kế hoạch và Đầu tư đã viết trong ghi chú cho bài thuyết trình.

Phần trình bày không nêu rõ điểm DEWS nào được coi là tốt nghiệp đúng hạn, nhằm mục đích phân tích sự công bằng.

Các ghi chú cho slide có tiêu đề “DEWS có công bằng không?” kết thúc bằng kết luận “không…”

Ryan Baker, giáo sư giáo dục của Đại học Pennsylvania, người nghiên cứu các hệ thống cảnh báo sớm, cho biết: “Họ chắc chắn đã sử dụng một mô hình có sai sót hệ thống về chủng tộc của học sinh và đó thực sự là điều cần phải khắc phục”.

“Họ lấy các yếu tố nhân khẩu học làm yếu tố dự đoán và điều đó sẽ nhấn mạnh quá mức ý nghĩa của các biến số đó và gây ra loại hiệu ứng này.”

↩︎ liên kết

Một thập kỷ của DEWS được làm sáng tỏ

Gần đây, một nhóm các nhà nghiên cứu làm việc chủ yếu ở UC Berkeley—ứng cử viên tiến sĩ Juan Perdomo, Britton và các chuyên gia về công bằng thuật toán Moritz Hardt và Rediet Abebe—đã xem xét hiệu quả của DEWS qua một lăng kính khác.

Nghiên cứu của họ sử dụng dữ liệu DEWS trong gần 10 năm—được Sở Kế hoạch và Đầu tư tự nguyện chia sẻ—là phân tích lớn nhất từ trước đến nay về cách hệ thống cảnh báo sớm mang tính dự đoán ảnh hưởng đến kết quả học tập của học sinh.

Trong khi các nghiên cứu trước đây đặt câu hỏi các hệ thống cảnh báo sớm hoạt động chính xác như thế nào khi được kiểm tra dựa trên dữ liệu lịch sử, thì nghiên cứu của UC Berkeley kiểm tra xem liệu DEWS có dẫn đến tỷ lệ tốt nghiệp tốt hơn cho những sinh viên thực tế được coi là có nguy cơ cao hay không.

Các nhà nghiên cứu đã kiểm tra xem liệu tỷ lệ tốt nghiệp có cải thiện đối với những học sinh có điểm DEWS ngay dưới ngưỡng 78,5 hay không, từ đó xếp họ vào nhóm có nguy cơ cao so với những học sinh có điểm vừa cao hơn ngưỡng đó, xếp họ vào nhóm có nguy cơ vừa phải.

Nếu hệ thống hoạt động như dự định, những học sinh thuộc nhóm có nguy cơ cao sẽ thấy tỷ lệ tốt nghiệp được cải thiện vì họ nhận được thêm nguồn lực, nhưng nghiên cứu cho thấy rằng việc bị xếp vào nhóm có nguy cơ cao không có tác động đáng kể về mặt thống kê đến việc học sinh có tốt nghiệp đúng hạn hay không.

Các tác giả viết: “Không có bằng chứng nào cho thấy các dự đoán của DEWS ảnh hưởng theo bất kỳ cách nào đến khả năng tốt nghiệp đúng hạn”.

Nghiên cứu của UC Berkeley cho thấy, nếu hệ thống hoạt động như dự định và các trường học đang hướng nhiều nguồn lực hơn đến những sinh viên được coi là có nguy cơ cao, thì nó sẽ có tác động khác nhưng cũng không công bằng.

Các tác giả viết: “Nếu các trường chọn học sinh để can thiệp bằng cách xếp hạng điểm [DEWS] của họ và chọn những học sinh có xác suất tốt nghiệp được dự đoán thấp nhất, thì những học sinh chưa được phục vụ đầy đủ sẽ bị bỏ qua và không được ưu tiên một cách có hệ thống”.

Đó là vì tỷ lệ tốt nghiệp dự đoán của DEWS không phản ánh chính xác tỷ lệ tốt nghiệp thực sự của học sinh. Đặc biệt, sinh viên da trắng tốt nghiệp với tỷ lệ cao hơn nhiều so với điểm DEWS của họ cho thấy, theo dữ liệu được các nhà nghiên cứu UC Berkeley chia sẻ với The Markup.

Ví dụ, học sinh da màu nhận được điểm DEWS là 83 đã tốt nghiệp đúng hạn với tỷ lệ 90%. Tỷ lệ này tương đương với tỷ lệ tốt nghiệp trung bình toàn tiểu bang Wisconsin năm ngoái.

Những học sinh da trắng nhận được cùng số điểm DEWS là 83 đã tốt nghiệp đúng hạn với tỷ lệ 93% thời gian, cao hơn mức trung bình của tiểu bang.

Nhưng điều quan trọng là, những học sinh Da trắng nhận được điểm DEWS thấp hơn đáng kể là 63 đã tốt nghiệp đúng hạn với tỷ lệ về cơ bản tương đương với những học sinh Da trắng có điểm cao hơn: 92% thời gian.

Nhưng những học sinh da màu nhận được điểm DEWS là 68 chỉ tốt nghiệp đúng hạn 81%, thấp hơn mức trung bình của tiểu bang.

Nói cách khác, nếu các nhà giáo dục làm theo lời khuyên của DEWS và ưu tiên những học sinh Da trắng có điểm 63 để được giúp đỡ hơn những học sinh da màu có điểm 68, thì họ sẽ ưu tiên những học sinh cuối cùng tốt nghiệp với tỷ lệ trên trung bình so với những học sinh cuối cùng tốt nghiệp ở mức dưới- tỷ lệ trung bình.

Nghiên cứu kết luận rằng đặc điểm đặc biệt đó của thuật toán có thể không làm trầm trọng thêm sự bất bình đẳng ở Wisconsin, bởi vì DEWS không cải thiện kết quả cho bất kỳ ai được coi là có nguy cơ cao, bất kể chủng tộc.

Thuật toán nâng cao, hệ thống trường học hạng hai

Ngay từ những ngày đầu thành lập, Sở Kế hoạch và Đầu tư đã quảng bá DEWS như một công cụ tiết kiệm chi phí để giải quyết khoảng cách tốt nghiệp “không thể chấp nhận” của tiểu bang. Nhưng hệ thống cảnh báo sớm không phải là giải pháp lựa chọn đầu tiên của cơ quan.

Là một phần của đề xuất ngân sách hai năm một lần vào năm 2011, Sở Kế hoạch và Đầu tư Wisconsin, dưới sự lãnh đạo của Tony Evers, hiện là thống đốc bang, đã yêu cầu 20 triệu đô la cho chương trình tài trợ “Mỗi trẻ em đều tốt nghiệp” để gửi nguồn lực trực tiếp đến các quận đang gặp khó khăn. .

Năm đó, 91% học sinh Da trắng trong bang tốt nghiệp trung học đúng hạn so với 64% học sinh Da đen.

Nhưng thống đốc lúc bấy giờ là Scott Walker lại có một kế hoạch khác cho giáo dục công. Ông đã cắt gần 800 triệu USD , khoảng 7%, tiền tài trợ của tiểu bang cho các trường công từ ngân sách hai năm. Điều đó bao gồm 20 triệu đô la cho “Mọi trẻ em đều tốt nghiệp”, trong đó chính quyền của Walker đã chuyển hướng 15 triệu đô la để xây dựng một hệ thống thông tin học sinh trên toàn tiểu bang nhằm lưu trữ tất cả dữ liệu học sinh ở một nơi.

Bị từ chối chương trình tài trợ nhưng sở hữu rất nhiều dữ liệu mới, Sở Kế hoạch và Đầu tư đã tìm kiếm một giải pháp công nghệ cao để giải quyết khoảng cách về trình độ tốt nghiệp của mình. Năm 2012, nó bắt đầu thử nghiệm DEWS.

Vào thời điểm thành lập, DEWS là một trong những hệ thống cảnh báo sớm dự đoán tiên tiến nhất trong nước.

Độ chính xác của nó “ngang bằng với một số hệ thống được đánh giá cao nhất hiện đang được sử dụng, nhưng được thực hiện ở quy mô lớn hơn, trên nhiều môi trường trường học đa dạng hơn, [và] ở các lớp trước đó,” Knowles, cựu nhà phân tích nghiên cứu của Sở KHĐT người đã xây dựng hệ thống, đã viết trong bài báo Khai thác dữ liệu giáo dục năm 2015.

Sở Kế hoạch và Đầu tư đã nhanh chóng quyết định mở rộng việc sử dụng phân tích dự đoán và vào năm 2016 đã đưa ra một thuật toán tương tự, được gọi là Hệ thống Cảnh báo sớm Sẵn sàng cho Đại học và Nghề nghiệp (CCREWS), dự đoán liệu học sinh “sẵn sàng” hay “chưa sẵn sàng” cho ACT và đại học.

Trong cuộc khảo sát của The Markup về các khu học chánh ở Wisconsin, 7 trong số 80 người được hỏi cho biết họ sử dụng CCREWS ở một mức độ nào đó, so với 30 khu học chánh báo cáo sử dụng DEWS.

Vào năm 2019, Sở Kế hoạch và Đầu tư đã thử nghiệm một mô hình thuật toán khác dựa trên DEWS nhằm mục đích dự đoán học sinh nào sẽ thành công trong các khóa học AP. Theo các tài liệu thu được thông qua yêu cầu hồ sơ công khai, các trường học ở 11 quận đã đăng ký thí điểm, nhưng dự án đã bị bỏ dở sau khi đại dịch COVID-19 bùng phát.

Số điểm phần trăm cho thấy khoảng cách tốt nghiệp giữa sinh viên Da đen và Da trắng ở Wisconsin đã thu hẹp kể từ năm 2011, một năm trước khi DEWS được thí điểm.

Trong thập kỷ qua, bang đã thử nghiệm các thuật toán dự đoán, sự bất bình đẳng về giáo dục ở Wisconsin hầu như không được cải thiện.

Khoảng cách tốt nghiệp giữa sinh viên da đen và da trắng chỉ giảm bốn điểm kể từ năm 2011, từ 27 xuống 23%. Trong khi đó, khoảng cách giữa điểm đọc của học sinh lớp 8 da đen và da trắng ở Wisconsin là điểm kém nhất so với bất kỳ bang nào trên toàn quốc trong mọi Đánh giá Quốc gia về Tiến bộ Giáo dục (NAEP) kể từ năm 2011.

Nó cũng có khoảng cách lớn nhất so với bất kỳ tiểu bang nào giữa điểm toán của học sinh lớp 8 Da đen và Da trắng trên mỗi NAEP kể từ năm 2009.

“Câu hỏi mà tôi luôn đặt ra khi dữ liệu đó được đưa ra không chỉ là những đứa trẻ Da đen học tệ đến mức nào, [mà] làm thế nào mà những đứa trẻ Da trắng lại làm tốt như vậy?” Gloria Ladson-Billings, một chuyên gia quốc gia về bất bình đẳng giáo dục và là giáo sư đã nghỉ hưu của Đại học Wisconsin–Madison, cho biết.

“Không phải là chúng tôi không biết cách giúp những đứa trẻ này vượt qua. Vấn đề là họ phải trông giống những vận động viên của Đội I thì chúng tôi mới quan tâm được ”.

Học sinh da đen và gốc Tây Ban Nha ở Wisconsin nói với The Markup rằng họ thường cảm thấy mình là một phần của hệ thống trường học hạng hai.

Kennise Perry, một sinh viên 21 tuổi tại UW-Parkside, đã theo học tại Trường Công lập Milwaukee, nơi có 49% người da đen trước khi chuyển đến vùng ngoại ô Waukesha, nơi các trường học chỉ có 6% người da đen. Cô cho biết tuổi thơ của cô rất khó khăn, cuộc sống gia đình đôi khi không ổn định và trường học có thể coi cô là học sinh “có nguy cơ cao”.

“Tôi là đứa trẻ da đen duy nhất trong tất cả các lớp của mình. Không có đại diện nào khác về bất kỳ ai trông giống tôi và các đồng nghiệp của tôi cực kỳ phân biệt chủng tộc,” cô nói. “Nó thực sự rất đau thương.… Tôi quá tức giận và không biết làm cách nào để trút cơn giận của mình. Tôi thật khốn khổ.

Vì vậy, tất nhiên, các nhãn hiệu và các thứ bắt đầu. Nhưng tôi cảm thấy rằng sự khác biệt giữa những người thành công và những người không thành công là những người xung quanh bạn, giống như tôi có những người quan tâm đến tôi và cho tôi cơ hội thứ hai và những thứ tương tự. [DEWS] liệt kê những đứa trẻ này có nguy cơ cao và số liệu thống kê của chúng, bạn thậm chí không cho chúng cơ hội mà đã dán nhãn cho chúng rồi.”

Khu học chánh của Waukesha đã không trả lời cuộc khảo sát hoặc yêu cầu bình luận của The Markup. Tuy nhiên, các tài liệu thu được thông qua các yêu cầu hồ sơ công khai cho thấy Trường Trung học Waukesha North, nơi Perry theo học, đã đăng ký tham gia thí điểm thuật toán của Sở Kế hoạch và Đầu tư được thiết kế để dự đoán học sinh nào sẽ thành công trong các lớp AP.

Người phát ngôn Stephen Davis đã viết trong email gửi tới The Markup: Trường Công lập Milwaukee, học khu lớn nhất bang, không sử dụng DEWS hoặc bất kỳ loại máy học nào cho hệ thống cảnh báo sớm của mình. Giống như nhiều quận và tiểu bang, thay vào đó, nó sử dụng phương pháp công nghệ thấp để xác định học sinh đang theo đúng hay không dựa trên việc các em có đạt được các tiêu chuẩn nhất định hay không, chẳng hạn như vắng mặt trong một số ngày được xác định trước.

Năm ngoái, các học sinh tại trường trung học Cudahy đã thành lập Hội học sinh da đen đầu tiên để đối phó với các vụ phân biệt chủng tộc mà họ cảm thấy ban giám hiệu nhà trường không giải quyết thỏa đáng.

Mia Townsend, một học sinh cấp dưới và phó chủ tịch Hội sinh viên da đen của Cudahy cho biết: “Bạn biết rằng [sinh viên da trắng] đã có lợi thế. “Bạn đã cảm nhận được sự tách biệt đó rồi.… Họ có nhiều cơ hội hơn và họ có nhiều thời gian hơn khi đề cập đến một số việc nhất định.”

Các sinh viên trong BSU đã tự nhiên cung cấp các biện pháp can thiệp hỗ trợ giống nhau cho nhau mà bang hy vọng đạt được thông qua các thuật toán dự đoán của mình.

Trong năm học 2020–21, 18% học sinh Da trắng ở Wisconsin thi AP so với 5% học sinh Da đen. Townsend, một học sinh danh dự, cho biết cô đang có ý định tránh các khóa học AP cho đến khi bạn học năm cuối Maurice Newton, chủ tịch BSU, thúc giục cô chấp nhận thử thách. Cô ấy xin tham gia lớp học tiếng Anh AP vào năm tới.

Newton nói: “Họ làm cho nó có vẻ khó khăn hơn và thực sự thì nó cũng giống như vậy. “Bạn có thể vượt qua lớp học với điểm cao.”

Để trả lời câu hỏi của The Markup về DEWS, giám đốc quận Cudahy Tina Owen-Moore đã chia sẻ một chuỗi email trong đó các nhân viên bày tỏ rằng họ chưa biết và hiện không sử dụng các dự đoán nhưng các cố vấn “rất hào hứng với tài nguyên này. ”

Tuy nhiên, sau khi xem xét những phát hiện của chúng tôi, Owen-Moore đã viết: “Điều đó chắc chắn đã thay đổi quan điểm của tôi!!”

“Họ vừa đưa cho chúng tôi dữ liệu và nói: 'Hãy tìm hiểu.' ”

Nhiều học khu trả lời cuộc khảo sát của The Markup cho biết họ sử dụng dự đoán DEWS tương tự như cách Brown và nhân viên tại Trường Trung học Bradford ở Kenosha thực hiện—để xác định học sinh mới nào trong các tòa nhà của họ có thể cần được chú ý thêm.

Tại khu học chánh của thành phố Appleton, những người quản lý hồ sơ trường trung học sử dụng DEWS và các dữ liệu khác để xác định những học sinh năm thứ nhất sắp nhập học cần được hỗ trợ và để xác định số lượng hồ sơ giáo dục đặc biệt chẳng hạn.

Dựa chủ yếu vào dữ liệu DEWS, Học khu Winneconne gửi thư cho phụ huynh để thông báo rằng con họ có thể gặp rủi ro, mặc dù những bức thư đó không đề cập đến thuật toán.

Nhưng một số trường đã tìm ra cách sử dụng dữ liệu ngoài nhãn hiệu khác. Ví dụ: Sara Croney, giám đốc Học khu Maple, nói với The Markup rằng nhân viên của cô ấy đã sử dụng “dữ liệu được nhận thấy là không thiên vị” của DEWS để đăng ký thành công khoản tài trợ phát triển nhân viên tập trung vào việc tiếp cận những học sinh chưa tham gia.

Tại thành phố Racine, các trường trung học cơ sở từng sử dụng DEWS để chọn học sinh nào sẽ được đưa vào chương trình đặc biệt “Khu vực không bạo lực”, bao gồm việc gửi những học sinh quậy phá đến một lớp học riêng.

Người phát ngôn Stacy Tapp viết trong email rằng Học khu Racine “hiện không sử dụng DEWS hoặc CCREWS”.

Nhiều quản trị viên mà The Markup phỏng vấn cho biết họ ít hoặc không được đào tạo về cách DEWS tính toán các dự đoán của mình hoặc cách diễn giải chúng.

Croney nói: “Họ chỉ đưa cho chúng tôi dữ liệu và nói: 'Hãy tìm hiểu xem'. “Vì vậy, hiệu trưởng của chúng tôi sẽ phân tích và quyết định ai là những đứa trẻ trong khu vực có nguy cơ.”

IRS cung cấp tài liệu về cách thức hoạt động của DEWS và mục đích sử dụng của nó trên trang web của mình, nhưng phần lớn tài liệu công khai đã bỏ sót một sự thật quan trọng về hệ thống: rằng các dự đoán của nó một phần dựa trên chủng tộc, giới tính, tài sản gia đình và các yếu tố khác mà trường học không thể kiểm soát được.

Ví dụ: Hướng dẫn hành động DEWS của bộ không đề cập đến chủng tộc, giới tính của học sinh hoặc tình trạng bữa trưa miễn phí hoặc giảm giá là các biến đầu vào chính cho thuật toán.

Trang web của Sở Kế hoạch và Đầu tư mô tả dữ liệu được sử dụng để tạo dự đoán DEWS liệt kê bốn loại thông tin riêng biệt: điểm danh, hồ sơ kỷ luật, số học khu đã theo học trong năm trước (khả năng di chuyển) và điểm kiểm tra cấp tiểu bang.

Nó tuyên bố rằng “các thuộc tính nhân khẩu học được sử dụng”, chứ không phải thuộc tính nào hoặc chúng ảnh hưởng đến dự đoán như thế nào.

Tương tự, khi các nhà giáo dục xem các dự đoán DEWS của học sinh trong hệ thống thông tin toàn tiểu bang, họ có thể kiểm tra xem việc đi học chuyên cần, hồ sơ kỷ luật, khả năng di chuyển và điểm kiểm tra của học sinh ảnh hưởng như thế nào đến nhãn rủi ro tổng thể, nhưng họ không cho thấy các đặc điểm nhân khẩu học của học sinh ảnh hưởng đến dự đoán như thế nào. .

Shari Johnson, giám đốc chương trình giảng dạy và giảng dạy của Học khu Richland, cho biết các trường của cô đang bắt đầu lập kế hoạch hành động và phân công nhân viên cố vấn cho những học sinh “có nguy cơ cao” với mục tiêu giúp họ thoát khỏi danh mục đó, đặc biệt là những học sinh có “nguy cơ cao nhất”. ” bởi vì cô ấy nói rằng sẽ không thể cố vấn cho tất cả mọi người.

Tuy nhiên, khi nói chuyện với The Markup, cô không biết rằng những đặc điểm như khuyết tật hoặc hoàn cảnh khó khăn về kinh tế đã ảnh hưởng đến điểm số của học sinh.

“Trách nhiệm của ai là chúng tôi biết về những điều này? Đó là mối quan tâm của tôi ở vị trí này, vì tôi chỉ tình cờ phát hiện ra,” Johnson nói. “Những gì tôi làm có liên quan trực tiếp đến DEWS và thông tin ở đó, và điều đó thật đáng sợ đối với tôi.”

Sự khác biệt giữa cách thức hoạt động của DEWS và cách các nhà giáo dục hiểu nó hoạt động không phải là điều mới mẻ đối với Sở Kế hoạch và Đầu tư.

Vào năm 2016, các nhà nghiên cứu của Phòng thí nghiệm Giáo dục Khu vực Trung Tây đã viết một báo cáo chưa bao giờ được xuất bản cho Sở KH&ĐT, dựa trên cuộc khảo sát về trải nghiệm của các hiệu trưởng trường trung học cơ sở với DEWS.

Báo cáo mà chúng tôi có được thông qua các yêu cầu hồ sơ công khai đã kết luận rằng những người trả lời “mong muốn được đào tạo và hỗ trợ nhiều hơn về cách xác định và giám sát các biện pháp can thiệp” và rằng “thời gian, tiền bạc và đào tạo về DEWS” là những trở ngại hàng đầu đối với việc sử dụng hệ thống.

Hiệu trưởng Brian Geiger của Trường Trung học Bradford cho biết ông nhớ đã nghe nói về DEWS vào khoảng thời điểm nó ra mắt, khi ông còn là phó hiệu trưởng tại một trường Kenosha khác và đã sử dụng nó cho nhiều mục đích khác nhau, bao gồm cả những chuyến thăm nhà vào mùa hè, kể từ đó.

Bây giờ Brown, trợ lý hiệu trưởng của ông tại Bradford, đã bắt đầu thực hành. Ngay cả khi biết DEWS có những sai sót, Brown cho biết những dự đoán là dữ liệu tốt nhất mà ông có được đối với các sinh viên sắp nhập học.

“Đó không phải là một yếu tố dự đoán 100%. Nhận thức của tôi về điều này là chúng tôi sử dụng nó như một hướng dẫn,” anh ấy nói và nói thêm, “Tôi ước chúng tôi có thể đến thăm từng ngôi nhà của tất cả 1.400 trẻ em [đã đăng ký học tại Trường Trung học Bradford]. Chúng tôi không có ngân sách cho việc học hè để làm điều đó.”

Đính chính, ngày 11 tháng 5 năm 2023

Phiên bản trước của bản đồ trong bài viết này bao gồm sai Hawaii, Nevada, New Jersey, North Carolina và Michigan. Những bang này sử dụng hệ thống cảnh báo sớm nhưng không sử dụng thuật toán hoặc học máy để dự đoán kết quả của học sinh.

Tín dụng: Todd Feathers , Ko Bragg , Joel Eastwood , Gabriel Hongsdusit , Rodney Johnson , Jeremy Singer-Vine , Maria Puertas , & Jill Jaroff

Cũng được xuất bản ở đây

Ảnh của Sigmund trên Bapt