Ancak bazıları, ağ bağlantılarını optimize etmenin test puanlarını optimize etmekten daha belirsiz bir görev olduğunu iddia edebilir. Amaç işlev(ler)i tam olarak ne olmalıdır?
Bunu keşfetmeye yönelik bir çerçeve, çocukların ve ailelerin iç içe geçtiği ağların nasıl oluştuğuna ve ilk etapta nasıl geliştiğine odaklanmayı içerebilir. Okullaşma bağlamında, bu, okul bölgelerinin öğrencilerin hangi okullara gidebileceklerini belirlemek için tasarladığı çok çeşitli politikaları (“okul atama politikaları”) ve bu politikalar kapsamında çocukları için okul seçerken ailelerin benimsediği uygulamaları içerir. Bu tür politikalar ve uygulamalar, okullarda ırka ve sosyoekonomik duruma göre ayrım yapılması gibi zararlı özellikleri tarihsel olarak sürdürmüştür; bu, resmi olarak yasaklanmasının üzerinden yaklaşık 70 yıl geçmesine rağmen, ABD’de kamu eğitimini tanımlamaya devam etmektedir. Pek çok akademisyen, demografik bütünleşmenin tarihsel olarak, yalnızca tarihsel olarak dezavantajlı grupların akademik hazırlıklarını geliştirmek için değil, aynı zamanda farklı geçmişlere sahip insanlar arasında daha fazla şefkat ve anlayışı – örneğin çoğulculuk etiği – teşvik etmek için en etkili yöntemlerden biri olduğunu iddia ediyor.
AI, örneğin, “okula devam bölgelerini” yeniden çizmek için bölge düzeyinde planlama çabalarını destekleyerek, çeşitli ve entegre okulları teşvik eden daha adil okul atama politikalarının tasarlanmasına yardımcı olabilir. ailelere büyük seyahat yükleri ve diğer rahatsızlıklar yüklemeden konut ayrımcılığının altında yatan kalıpları hafifletmeyi amaçlayan yollarla.
Mevcut araştırmacı-uygulayıcı ortaklıkları ve ortak çalışanlar Doug Beeferman, Christine Vega-Pourheydarian, Cassandra Overney, Pascal Van Hentenryck, Kumar Chandra ve Deb Roy ile yaptığım kendi araştırmalarımdan bazıları, yöneylem araştırması topluluğu ve kural tabanlı yapay zeka gibi araçlardan yararlanıyor. okullarda ırksal ve sosyoekonomik entegrasyonu optimize edebilecek alternatif atama politikalarını keşfetmek için kısıtlama programlaması.
Bu algoritmalar, bir dizi rekabet eden hedefi (aile seyahat süreleri ve okul değiştirme gibi) dengeleyen daha entegre okullara giden potansiyel yolları belirlemek için görünüşte sonsuz sayıda olası sınır değişikliğini keşfetmeye yönelik aksi takdirde hantal bir süreci basitleştirmeye yardımcı olabilir. Ayrıca, değişen politikaların okul demografisini nasıl etkileyebileceğini daha gerçekçi bir şekilde tahmin etmek için makine öğrenimi sistemleriyle (örneğin, sınır değişiklikleri karşısında aile seçimini tahmin etmeye çalışanlar) birleştirilebilirler.
Elbette, yapay zekanın bu uygulamalarından hiçbiri risksiz gelmiyor. Okul değiştirme, öğrenciler için rahatsız edici olabilir ve okul düzeyinde entegrasyon olsa bile, müfredat takibi, kültürel olarak duyarlı öğretim uygulamalarının eksikliği ve diğer faktörler nedeniyle sınıflar ve kafeteryalar gibi daha küçük ölçeklerde ayrımcılık devam edebilir. Ayrıca, başvurular, topluluk seslerini politika oluşturma sürecine dahil eden uygun bir sosyoteknik altyapıda ifade edilmelidir. Yine de, hangi öğrencilerin ve ailelerin okula birlikte gittiklerini bildirmek için yapay zekayı kullanmak, öğrencilerin bağlandığı ağları ve buna bağlı olarak nihai olarak elde ettikleri yaşam sonuçlarını değiştiren daha derin yapısal değişiklikleri tetikleyebilir.
Bununla birlikte, aileler arasında okul seçimi davranışlarında değişiklik olmaksızın okul atama politikalarındaki değişikliklerin, öğrencilerin yararlandığı ağlarda sürdürülebilir dönüşümlere yol açması pek olası değildir. Burada da yapay zekanın oynayacağı bir rol olabilir. Örneğin, GreatSchools.org gibi dijital okul derecelendirme platformları, ailelerin çocukları için okulları nasıl değerlendirdiğini ve seçtiğini giderek daha fazla şekillendiriyor.
