Contextual Stochastic Optimization for School Desegregation Policymaking

大多数美国学区通过划分地理“考勤区”来根据学生的家庭地址分配学校，这个过程可能会将现有的社区种族/族裔和社会经济地位（SES）隔离在学校里。重新划定边界可以减少隔离，但估计重新划分的影响是具有挑战性的，因为家庭可以选择不参加他们被分配的学校。本文试图解决这个社会问题：它开发了一个联合划分和选择建模框架，称为带选择的重新划分（RWC）。RWC框架应用于一个大型美国公立学区，用于估计重新划分该学区小学边界可能如何实际影响社会经济隔离水平。RWC的主要方法论贡献是一个上下文随机优化模型，该模型最小化区域不相似性，并整合了通过机器学习获得的学生的重新划分约束和学校选择模型。研究的主要发现是观察到RWC产生的边界变化可能会大幅减少隔离（23%）-但这样做可能需要重新分配大量学生，以减轻选择模式可能加剧的重新隔离。结果还表明，预测学校选择是一个具有挑战性的机器学习问题。总的来说，本研究提供了一个新颖的实用框架，学者和决策者都可以使用它来促进更多样化和融合的学校。

如何通过重新划分学区来减少美国公立学校中的种族和社会经济隔离？

提出了一种名为Redistricting with Choices（RWC）的框架，将重新划分学区和学生选择模型相结合，通过机器学习预测学生的选择，最小化整个区域的差异性来实现减少隔离的目的。

该研究的主要亮点在于提出了一种新的实用框架，可以帮助学者和政策制定者促进更多元化和综合的学校。实验使用大量的美国公立学校数据集，并使用机器学习模型来预测学生的选择。研究结果表明，使用RWC框架可以显著降低隔离水平（23%），但需要重新分配大量学生，以缓解选择模式可能加剧的重新隔离问题。

最近的相关研究包括“在种族和社会经济多样性的背景下重新划分学区”（Redistricting School Districts in the Context of Racial and Socioeconomic Diversity）和“学区划分对学校种族和社会经济多样性的影响”（The Impact of School Districting on Racial and Socioeconomic Diversity in Schools）等。