MARC

 008240220s2023        ulk                      00        kor
■001000016933723
■00520240214101328
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380257169
■035    ▼a(MiAaPQ)AAI30551203
■035    ▼a(MiAaPQ)PennState_24026ran5267
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a900
■1001  ▼aNewton,  Robert  A.
■24510▼aImproving  Equity  in  Decision  Support  Systems▼h[electronic  resource]
■260    ▼a[S.l.]▼bThe  Pennsylvania  State  University.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(117  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  A.
■500    ▼aAdvisor:  Griffin,  Paul  M.
■5021  ▼aThesis  (Ph.D.)--The  Pennsylvania  State  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThis  dissertation  introduces  several  methods  to  improve  equitability  among  stakeholders  in  decision  support  systems.  Each  model  provides  decision  makers  frameworks  with  which  to  consider  both  resulting  overall  impacts  as  well  as  distributions  across  subgroups.  Whether  allocating  funds  or  services,  we  seek  to  provide  a  foundation  for  decision  makers  to  navigate  their  problem  sets  to  prioritize  accurate  and  fair  allocations  inclusive  of  all  stakeholders.In  2021,  four  major  pharmaceutical  manufacturers  and  distributors  reached  a  proposed  settlement  agreement  with  46  state  Attorneys  General  of  $26  billion  to  address  their  liabilities  in  fueling  the  US  opioid  epidemic.  It  raises  important  questions  about  abatement  conceptualization  and  measurement  for  allocating  settlement  funds  among  sub-state  entities.  We  outline  the  political  economy  tensions  undergirding  the  settlement  and  allocation,  introduce  an  abatement  conceptual  framework,  describe  how  an  abatement  formula  was  developed  for  Pennsylvania  to  allocate  settlement  funds,  and  summarize  considerations  for  future  settlement  allocation  efforts.We,  then,  evaluated  the  weighted  combination  of  metrics  agreed  upon  by  Pennsylvania  stakeholders  to  allocate  settlement  funds  along  with  three  other  strategies  from  the  literature  that  optimize  allocations  based  on  social  welfare  functions.  We  present  these  strategies  and  use  them  to  compute  new  allocations  for  comparison.  Specifically,  we  contrast  Pennsylvania's  strategy  with  strategies  that  1)  minimize  total  deviation,  2)  minimize  the  worst-case  (minimax)  regret,  and  3)  balance  efficiency  with  equity  using  alpha-fairness.  While  the  Pennsylvania  allocation  is  noteworthy  in  that  all  parties  agreed  to  it,  an  allocation  based  on  relative  regret  may  be  a  more  fairly  perceived  allocation---whether  using  minimax  regret  or  blending  efficiency  using  proportional  fairness.We,  next,  offer  a  model  to  site  additional  locations  to  address  inequity  found  from  minimizing  mean  absolute  deviation  informed  by  locations  recommended  as  maximal  covering  location  problem  solutions---to  maximize  the  number  of  emergencies  within  the  overall  average  distance.  We  used  these  solutions  to  recommend  additional  locations  to  decision  makers,  and  provide  an  example  solution  using  2019  data  from  the  United  States  Internal  Revenue  Service  and  San  Francisco  Fire  Department  that  significantly  increases  the  access  to  emergency  rooms  for  low  income  ZIP  code  tabulation  areas  while  reducing  overall  average  distance  to  an  emergency  room  and  the  mean  absolute  deviation.Finally,  we  discuss  a  model  to  support  how  Air  Force  Special  Operations  Command  screens  and  selects  candidates  to  lead  operational  squadrons  each  year.  Currently,  the  command's  senior  leaders  manually  score  each  eligible  officer's  record.  Senior  leaders  then  evaluate  officers  who  score  above  a  given  level,  discussing  suitability  and  fit  for  unit  leadership.  We  developed  a  deep  neural  network  to  assist  record  scoring  in  a  bias-aware  process,  utilizing  an  existing  personnel  database,  generating  scores  for  officer  records.  While  demographics  were  unbalanced  (predominantly  white  males),  our  network  demonstrated  94%  accuracy  for  candidate  selection  when  compared  to  the  2020  results,  and  no  significance  of  gender  and  race  factors,  suggesting  the  approach  assist  the  board  during  the  initial  sorting  phase.  Such  a  model  could  free  senior  leaders  from  spending  valuable  time  reviewing  hundreds  of  records,  instead  spending  collective  time  applying  knowledge  of  candidates  and  squadrons  to  ensure  the  command  selects  high  caliber  leaders.
■590    ▼aSchool  code:  0176.
■650  4▼aHispanic  Americans.
■650  4▼aEmergency  medical  care.
■650  4▼aDrug  overdose.
■650  4▼aInteger  programming.
■650  4▼aDemographics.
■650  4▼aDecision  making.
■650  4▼aNeural  networks.
■650  4▼aSettlements  &  damages.
■650  4▼aTobacco.
■650  4▼aNarcotics.
■650  4▼aIndustrial  engineering.
■653    ▼aEquity
■653    ▼aDecision  makers
■653    ▼aDecision  support  systems
■653    ▼aStakeholders
■653    ▼aPharmaceutical  manufacturers
■690    ▼a0796
■690    ▼a0454
■690    ▼a0546
■71020▼aThe  Pennsylvania  State  University.
■7730  ▼tDissertations  Abstracts  International▼g85-03A.
■773    ▼tDissertation  Abstract  International
■790    ▼a0176
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933723▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서