擴充呼叫隊列：公平化紐約市市政投訴系統的強化學習
arXiv - Computers and SocietyIrene Aldridge, Ellie Bae, Siddhesh Darak, Nicholas Donat, Akhil Fernando-Bell, Bella Ge, Nicholas Goguen-Compagnoni, Ishita Gupta, Ali Hasan, Pierce Hoenigman, Imran Isa-Dutse, Jiwon Jeong, Tishya Khanna, Neha Konduru, Yixuan Liu, Kai Maeda, Nolan McKenna, Karl Muller, Farzaan Naeem, Rishabh Patel, Zachary Sheldon, Ammar Syed, Nathan Tai, Michael Twersky, Haoying Wang, Zening Wang, Zexun Yao, Nadav Yochman
開發公平導向的強化學習框架，提升紐約市建築部投訴分類效率，並縮小收入與種族差異造成的服務品質差距。
AI 幫你先抓重點
AI 重點 1
RL框架將公平性納入獎勵，直接對抗收入與種族差異造成的服務不平等。
滑鼠懸停看 AI 判斷理由
傳統的手動或啟發式分類往往忽略社會結構因素，導致低收入或少數族裔群體服務延遲。將公平性嵌入模型獎勵，可使系統自動調整路由，提升弱勢群體的服務可及性，改變對公共服務公平性的理解與實踐。
AI 重點 2
SHAP揭示投訴重複率與鄰里統計是關鍵預測因子，超越單純投訴量。
滑鼠懸停看 AI 判斷理由
此發現說明服務需求與社區特徵密切相關，僅以投訴量為基準的路由策略會忽略高風險區域。了解這一點可促使決策者設計更具針對性的資源分配，提升整體效能與公平度。
核心研究發現
- 1
建立以公平為核心的RL框架，能在六個建築部運營領域（如鍋爐安全、吊車監督等）提升分類吞吐量，減少誤分類成本。
- 2
模型將投訴分配至四種行動（升級、批次、延遲、即時檢查），並以公平分類覆蓋作為主要獎勵，實際運作中顯示能有效縮小歷史服務不平等。
- 3
SHAP特徵重要性分析顯示，投訴重複率與鄰里統計數據比單純投訴量更能預測可執行違規，提示路由策略應納入社區層面指標。
對教育工作者的啟發
對於公共服務機構而言，本文提供了一套可直接套用的公平化RL框架。實務工作者可先將現有投訴分類流程拆解為MDP，設定公平性作為獎勵指標，並透過SHAP分析確定關鍵特徵。接著訓練代理人學習四種行動（升級、批次、延遲、即時檢查），以最大化吞吐量並降低誤分類。最後，將模型部署於實際系統，持續監測公平性指標，並根據社區統計調整路由策略，確保低收入與少數族裔群體獲得更平等的服務。
原始文獻資訊
- 英文標題：
- Scaling the Queue: Reinforcement Learning for Equitable Call Classification Capacity in NYC Municipal Complaint Systems
- 作者：
- Irene Aldridge, Ellie Bae, Siddhesh Darak, Nicholas Donat, Akhil Fernando-Bell, Bella Ge, Nicholas Goguen-Compagnoni, Ishita Gupta, Ali Hasan, Pierce Hoenigman, Imran Isa-Dutse, Jiwon Jeong, Tishya Khanna, Neha Konduru, Yixuan Liu, Kai Maeda, Nolan McKenna, Karl Muller, Farzaan Naeem, Rishabh Patel, Zachary Sheldon, Ammar Syed, Nathan Tai, Michael Twersky, Haoying Wang, Zening Wang, Zexun Yao, Nadav Yochman
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。