کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6832892 1434418 2018 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Utilizing predictive modeling to enhance policy and practice through improved identification of at-risk clients: Predicting permanency for foster children
ترجمه فارسی عنوان
با استفاده از مدل سازی پیش بینی شده برای ارتقاء سیاست و عمل از طریق شناسایی بهتر مشتریان در معرض خطر: پیش بینی طول عمر برای فرزندان
کلمات کلیدی
مدل سازی پیش بینی کننده دائمی، مشتریان با ریسک بالا، تجزیه و تحلیل پیش بینی، اطلاعات بزرگ، بهترین شیوه ها،
ترجمه چکیده
آژانس های رفاه کودکان به طور فزاینده ای نیاز به استفاده از منابع محدود خود برای دستیابی به تقاضای تقریبا بی حد و حصر دارند. در نتیجه، سازمان ها در جستجوی فرصت های جدید برای بهبود کارایی سیاست و عمل هستند و پیشرفت در دسترس بودن داده ها و تکنولوژی توجه بیشتری به استفاده از مدل سازی پیش بینی شده ایفا کرده است. در حالی که ادبیات اغلب پتانسیل قابل توجهی از مدل های پیش بینی شده را با استفاده از داده های بزرگ نشان می دهد، بحث در مورد روش شناسی و شیوه های مرتبط با آن به طور چشمگیری در دسترس نیست. برای رسیدگی به این شکاف، این مقاله یک پرونده نشان دهنده شامل توسعه و تست مدل هایی است که برای پیش بینی احتمال اینکه فرزندان جوان آمریکایی به دائمی قانونی دست یابند، فراهم می کند. مدل ها با استفاده از یک مجموعه اداری ملی از 233،633 کودک مراقبت از فرزند که از سیستم های رفاه دولتی در سال 2013 اخراج شده بودند، آموزش داده شدند و مورد آزمایش قرار گرفتند. مدل مطلوب، یک درخت تقویت شده، پیش بینی کرد که آیا فرزندان با دقت 97.66٪ دائما به دست می آیند. این مقاله با بحث درباره بهترین شیوه هایی که جزئیات نحوه استفاده از مدل های پیش بینی شده را برای ارتقای سیاست ها و عملکردها ارائه می دهد، نتیجه می شود.
موضوعات مرتبط
علوم پزشکی و سلامت پزشکی و دندانپزشکی پریناتولوژی (پزشکی مادر و جنین)، طب اطفال و بهداشت کودک
چکیده انگلیسی
Child welfare agencies are increasingly required to leverage their limited resources to meet nearly limitless demands. As a result, agencies are searching for new opportunities to efficiently improve policy and practice, and advances in data availability and technology have brought increased attention to the utility of predictive modeling. While the literature has often highlighted the considerable potential of predictive models leveraging “big data”, discussions of the methodology and the associated best practices remain critically absent. To address this gap, this paper provides an illustrative case involving the development and testing of models used to predict the probability of whether U.S. foster children would achieve legal permanency. The models were trained and tested using a national administrative dataset of 233,633 foster care children that discharged from state child welfare systems in 2013. The optimal model, a boosted tree, predicted whether children would achieve permanency with 97.66% accuracy. The paper concludes with a discussion of best practices detailing how agencies can utilize predictive modeling to enhance policy and practice.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Children and Youth Services Review - Volume 91, August 2018, Pages 156-167
نویسندگان
,