फॅकल्टी मेरिट कायदा योग्यताहीन आहे (मत)

डेव्हिड रँडल यांनी अलीकडील ऑप-एडसिव्हिक्स अलायन्सचे कार्यकारी संचालक आणि नॅशनल असोसिएशन ऑफ स्कॉलर्सचे संशोधन संचालक, असा युक्तिवाद करतात की अमेरिकन विद्यापीठांमध्ये प्राध्यापकांची नियुक्ती इतकी भ्रष्ट झाली आहे की त्यासाठी व्यापक कायदेशीर हस्तक्षेप आवश्यक आहे. NAS चा प्रस्तावित फॅकल्टी मेरिट कायदा पब्लिक युनिव्हर्सिटीने प्रत्येक फॅकल्टी सदस्याचा प्रत्येक उच्च एड स्टँडर्डाइज्ड टेस्ट स्कोअर — SAT, ACT, GRE, LSAT, MCAT आणि बरेच काही — फॅकल्टी सर्चच्या वेगवेगळ्या टप्प्यांवर त्या फॅकल्टी सदस्याच्या स्थितीसाठी प्रत्येक अर्जदाराने प्रकाशित करणे आवश्यक आहे. भेदभाव उघड करणे आणि योग्यता पुनर्संचयित करणे हे त्यांचे ध्येय आहे.

प्रस्तावाचा तर्क सुस्पष्ट आहे: जर प्रमाणित चाचणी स्कोअर फॅकल्टीच्या गुणवत्तेसाठी वाजवी प्रॉक्सी असेल, तर योग्य शोधाने खूप उच्च स्कोअर असलेल्या व्यक्तीची निवड केली पाहिजे. जर सरासरी स्कोअर एका फेरीतून दुसऱ्या फेरीत घसरला, किंवा अंतिम भाड्याने डझनभर-किंवा अगदी शेकडो-नाकारलेल्या अर्जदारांपेक्षा कमी गुण मिळवले, तर, रँडल तर्क करतात, “काहीतरी चुकीचे आहे हे पाहण्यासाठी लोक सक्षम असावे.”

परंतु फॅकल्टी मेरिट ॲक्ट हे मोजमाप आणि निवड प्रत्यक्षात कसे कार्य करते याच्या गंभीर गैरसमजावर आधारित आहे. जरी एखाद्याने रँडलचा आधार स्वीकारला की प्रमाणित चाचणी गुण “शिक्षक गुणवत्तेसाठी वाईट प्रॉक्सी नाही,” त्याने काढलेल्या निष्कर्षांचे पालन होत नाही. प्रस्तावित कायदा उघड करण्याचे वचन दिलेले लाल झेंडे भ्रष्टाचाराचे पुरावे नाहीत. मोठ्या अर्जदारांच्या पूलमध्ये अपूर्ण माप वापरण्याचे ते अपेक्षित गणितीय परिणाम आहेत.

मी एक डेटा सायंटिस्ट आहे जो सामाजिक न्यायाच्या मुद्द्यांवर काम करतो. NAS चा प्रस्ताव सांख्यिकीयदृष्ट्या चुकीचा आहे एवढेच नाही तर ते स्वतःला पारदर्शक म्हणून सादर करताना जनतेची दिशाभूल करेल हीच मला चिंता वाटते.

एक सांख्यिकीय चूक

प्रस्तावित कायदा एका साध्या कल्पनेवर अवलंबून आहे: जर प्रमाणित चाचणी स्कोअर फॅकल्टीच्या गुणवत्तेसाठी वाजवी प्रॉक्सी असेल, तर योग्य शोधाने खूप उच्च स्कोअर असलेल्या व्यक्तीची निवड केली पाहिजे. अनेक नाकारलेल्या अर्जदारांपेक्षा कामावर घेतलेल्या व्यक्तीचे गुण कमी असल्यास, किंवा सरासरी स्कोअर एका फेरीतून फेरीत कमी होत असल्यास, काहीतरी चुकले पाहिजे.

हे अंतर्ज्ञानी वाटते. ते चुकीचेही आहे.

का ते पाहण्यासाठी, खालील सेटअपची कल्पना करा. प्रत्येक अर्जदाराकडे फॅकल्टीच्या नोकरीसाठी काही प्रमाणात “खरी गुणवत्ता” असते—मौलिकता, संशोधन निर्णय, शिकवण्याची क्षमता, बौद्धिक योग्यता. हे सत्य आपण थेट पाहू शकत नाही. त्याऐवजी, आम्ही प्रमाणित चाचणी गुणांचे निरीक्षण करतो, जे क्षमतेचे काही पैलू कॅप्चर करते परंतु इतर अनेक गोष्टी चुकवतात. दुसऱ्या शब्दांत, चाचणी स्कोअरमध्ये दोन भाग असतात: एक सिग्नल (वास्तविक गुणवत्तेशी संबंधित भाग) आणि आवाज (बाकी सर्व काही चाचणी मोजत नाही).

आता समजा रँडलच्या स्वतःच्या उदाहरणाप्रमाणे शोध 300 अर्जदारांना आकर्षित करतो. गृहीत धरा-खूप उदारतेने-की शोध समिती खऱ्या गुणवत्तेनुसार एकल सर्वोत्तम अर्जदार ओळखते आणि त्या व्यक्तीला कामावर ठेवते.

येथे महत्त्वाचा मुद्दा आहे: जरी चाचणीचे गुण अर्थपूर्णपणे खऱ्या गुणवत्तेशी संबंधित असले तरी, सर्वोत्तम अर्जदाराला जवळजवळ कधीही सर्वोच्च चाचणी गुण मिळणार नाहीत.

का? कारण जेव्हा बरेच लोक स्पर्धा करत असतात, तेव्हा अगदी मध्यम आवाज देखील क्रमवारीच्या क्रमाने ओलांडतो. गोंगाट करणारा उपाय नेहमी काही व्यक्तींना चुकीचा दर्जा देईल, आणि पूल जितका मोठा असेल तितकी ती चुकीची क्रमवारी अधिक नाट्यमय होईल. हेच कारण आहे की व्यावसायिक क्रीडापटूंना एकाच कौशल्याने क्रमवारी लावणे—फ्री-थ्रो टक्केवारी, म्हणा—सर्वोत्कृष्ट एकूण खेळाडूंची, विशेषतः मोठ्या लीगमध्ये नियमितपणे चुकीची ओळख होईल.

टेस्ट-मेरिटचं नातं खरंच किती मजबूत आहे?

यावर आकडे टाकण्याआधी, आपण एक मूलभूत अनुभवजन्य प्रश्न विचारला पाहिजे: प्रमाणित चाचण्या खरोखर शैक्षणिक क्षेत्रात महत्त्वाच्या असलेल्या परिणामांचा अंदाज किती मजबूत करतात?

GRE वरील सर्वात सर्वसमावेशक अलीकडील संशोधन-पदवीधर शिक्षणासाठी सर्वात संबंधित चाचणी-अत्यल्प भविष्यसूचक मूल्य शोधते. 200 पेक्षा जास्त अभ्यासांचे मेटा-विश्लेषण असे आढळले की GRE स्कोअर GPA, पदवी पूर्ण करणे आणि परवाना परीक्षा कामगिरी यांसारख्या पदवीधर निकालांमध्ये फक्त 3 टक्के फरक स्पष्ट करतात. विशेषत: पदवीधर GPA साठी—चाचणीचा परिणाम स्पष्टपणे अंदाज लावण्यासाठी तयार केला गेला आहे—GRE स्कोअर केवळ 4 टक्के फरक स्पष्ट करतात.

हे अभ्यास समान शैक्षणिक संदर्भात नजीकच्या कालावधीच्या अंदाजाचे मूल्यांकन करतात: जीआरई स्कोअर ज्या विद्यार्थ्यांनी चाचणी दिली त्यांच्या निकालांचा अंदाज लावला जातो, काही वर्षांनंतर मोजला जातो-परिक्षेच्या वैधतेला जास्तीत जास्त अनुकूल परिस्थितीत. या अनुकूल परिस्थितीतही आधीच कमकुवत असलेल्या पुराव्यांवरून NAS प्रस्ताव एक्स्ट्रापोलेट करतो. हे चाचणी स्कोअर वापरून प्राध्यापक नियुक्तीचे मूल्यांकन करेल—बहुतेकदा SAT स्कोअर—वयाच्या 17 व्या वर्षी घेतलेले, जे आता 30, 40 किंवा त्याहून अधिक वयाच्या उमेदवारांना लागू केले जातात. अशा प्रकारच्या दीर्घकालीन एक्सट्रापोलेशनसाठी थेट पुरावा दुर्मिळ आहे. तथापि, अस्तित्वात असलेले मर्यादित पुरावे मजबूत संबंधांऐवजी कमकुवत नातेसंबंधांकडे निर्देश करतात. उदाहरणार्थ, Google च्या अंतर्गत नियुक्ती अभ्यास प्रसिद्धपणे आढळले SAT स्कोअर आणि नोकरीच्या कामगिरीमध्ये “फार कमी सहसंबंध”.

एकत्रितपणे, संशोधन असे सूचित करते की प्रमाणित चाचणी स्कोअर आणि फॅकल्टी मेरिट यांच्यातील कोणताही वास्तविक संबंध कमकुवत आहे – निश्चितपणे NAS च्या प्रस्तावित निदानांना समर्थन देण्यासाठी आवश्यक पातळीपेक्षा कमी आहे.

काय याचा अर्थ सराव मध्ये

प्रस्तावित फॅकल्टी मेरिट कायद्याने एक महत्त्वाचा व्यावहारिक प्रश्न उपस्थित केला आहे: जरी प्रमाणित चाचणी गुणांमध्ये गुणवत्तेबद्दल काही माहिती असते, तरीही शेकडो अर्जदार एकाच नोकरीसाठी स्पर्धा करतात तेव्हा ते किती उपयुक्त असतात?

जीआरई मेटा-विश्लेषण दर्शनी मूल्यावर घेतल्यास, प्रमाणित चाचणी स्कोअर संबंधित शैक्षणिक परिणामांशी फक्त 0.18 वर परस्परसंबंधित आहेत. त्या संख्येचा संकाय गुणवत्तेसाठी प्रॉक्सी म्हणून उपचार करणे आधीपासूनच उदार आहे, जे दशके अनेकदा चाचणीला नियुक्तीपासून वेगळे करतात आणि प्रमाणित परीक्षा आणि प्राध्यापकाचे वास्तविक कार्य यांच्यातील गहन फरक. पण तरीही आपण ते मंजूर करूया.

आता, 300 अर्जदारांसह शोधाचा विचार करा. 0.18 च्या सहसंबंधासह, मी गणना करतो की खऱ्या गुणवत्तेनुसार एकच बलवान उमेदवार सामान्यत: चाचणीवर केवळ 70 व्या टक्केवारीच्या आसपास गुण मिळवेल—300 पैकी अंदाजे 90 वा. दुसऱ्या शब्दांत, सुमारे 90 नाकारलेल्या अर्जदारांना अंतिम नियुक्तीपेक्षा उच्च चाचणी गुण मिळणे पूर्णपणे सामान्य असेल.

अनुचित प्रकार घडला नाही. पक्षपात किंवा हाताळणी आवश्यक नाही. कमकुवत प्रॉक्सी एका मोठ्या अर्जदाराच्या पूलसह एकत्रित केल्याने हा परिणाम आपोआप येतो.

जरी आपण अधिक मजबूत नातेसंबंध गृहीत धरले तरी-म्हणजे, 0.30 चा सहसंबंध, जो बहुतेक शैक्षणिक परिणामांसाठी पुराव्यांद्वारे समर्थित असलेल्यापेक्षा जास्त आहे-मूळ निष्कर्ष बदलत नाही. त्या गृहीतकानुसार, मी गणना करतो की सर्वोत्कृष्ट उमेदवार सामान्यत: 80 व्या पर्सेंटाइलच्या आसपास गुण मिळवेल, जे 300 पैकी 60 च्या जवळच्या रँकशी संबंधित असेल. नाकारलेल्या डझनभर अर्जदारांना नोकरी मिळवणाऱ्या व्यक्तीपेक्षा अजूनही उच्च चाचणी गुण असतील.

हा मुद्दा नेमका मागासलेला प्रस्ताव आहे. तो लाल ध्वज मानत असलेला पॅटर्न – ज्याचा परीक्षेचा स्कोअर अनेक नाकारलेल्या अर्जदारांपेक्षा कमी आहे – हा भ्रष्टाचाराचा पुरावा नाही. जेव्हा निवड एखाद्या अपूर्ण मापनावर अवलंबून असते तेव्हा हा सामान्य, गणितीयदृष्ट्या अपेक्षित परिणाम असतो. अनेक शोधांमध्ये हे निदान स्केल केल्याने ते माहितीपूर्ण होत नाही; हे फक्त त्याच अपेक्षित चुकीच्या क्रमवारीचे मोठ्या प्रमाणावर पुनरुत्पादन करते.

‘प्रत्येक फेरीत स्कोअर का सोडले’ हे काहीही सिद्ध करत नाही

हेच तर्क दाव्याला लागू होते की शोधाच्या प्रत्येक टप्प्यावर सरासरी चाचणी गुण वाढले पाहिजेत.

शिक्षक भरती ही एक-आयामी नाही. प्रारंभिक टप्पे सामान्य क्षमतेसाठी स्क्रीन करू शकतात; नंतरचे टप्पे मौलिकता, संशोधन दिशा, अध्यापनाची परिणामकारकता आणि विभागीय योग्यता यावर जोर देऊ शकतात – मानकीकृत चाचण्या खराब किंवा अजिबात नसतील अशी वैशिष्ट्ये. जसजसा शोध पुढे जातो, तसतसे समित्या चाचणीच्या गुणांवर कमी आणि इतर माहितीवर अधिक वजन ठेवतात. जेव्हा असे होते, तेव्हा अंतिम स्पर्धकांमधील सरासरी चाचणी स्कोअर सपाट राहू शकतात किंवा अगदी कमी होऊ शकतात. तो नमुना मॅनिप्युलेशनचा संकेत देत नाही. हे सूचित करते की समिती कामासाठी प्रत्यक्षात महत्त्वाच्या असलेल्या परिमाणांवर निवड करत आहे.

पारदर्शकता, न्याय आणि खराब निदान

जेम्स जी. मार्टिन सेंटर फॉर अकॅडेमिक रिन्यूअलने प्रकाशित केलेले रँडलचे ऑप-एड, अन्यायाला प्रतिसाद म्हणून प्रस्तावित करते. परंतु अवैध निदानावर आधारित पारदर्शकता अन्याय कमी करत नाही; ते तयार करते.

प्रमाणित चाचणी स्कोअर प्रकाशित केल्याने लोकांना असे निष्कर्ष काढण्यासाठी आमंत्रित केले जाते की ते संख्या समर्थन करू शकत नाहीत – आणि ते निष्कर्ष समान रीतीने येणार नाहीत. प्रमाणित चाचणी स्कोअर सामाजिक-आर्थिक पार्श्वभूमी आणि संसाधनांच्या प्रवेशाद्वारे जोरदार आकार घेतात. त्यांना गुणवत्तेचा सार्वत्रिक मापदंड मानणे—विशेषत: विद्याशाखा करिअरसाठी—उपेक्षित आणि अपारंपरिक मार्गांच्या विद्वानांचे नुकसान होईल.

न्यायाच्या दृष्टीकोनातून ही बाब अत्यंत चिंताजनक आहे. उत्तरदायित्व यंत्रणा योग्य तर्कांवर अवलंबून असणे आवश्यक आहे. अन्यथा, ते निष्पक्षतेऐवजी पदानुक्रम लागू करण्याची साधने बनतात.

जर खरे शैक्षणिक नूतनीकरणाचे उद्दिष्ट असेल, तर त्याची सुरुवात आम्हाला कोणती संख्या सांगू शकते—आणि काय करू शकत नाही—याबद्दलचे आमचे आकलन नूतनीकरण करण्यापासून व्हायला हवे. चुकीचे मेट्रिक्स प्रकाशित करून योग्यता अनिवार्य केली जाऊ शकत नाही आणि काळजीपूर्वक तपासणी केल्यावर कोसळणाऱ्या सांख्यिकीय युक्तिवादाने न्याय मिळत नाही.