यह शोधपत्र 870 कॉलेज प्रवेश आवेदकों के डेटा का उपयोग करके मशीन लर्निंग (एमएल) मॉडल और मानव मूल्यांकनकर्ताओं के बीच निष्पक्षता की तुलना और विश्लेषण करता है। तीन एमएल मॉडल: XGB, Bi-LSTM, और KNN, और BERT एम्बेडिंग का उपयोग करके पूर्वानुमान लगाए गए थे। मानव मूल्यांकनकर्ता विविध पृष्ठभूमि के विशेषज्ञों से बने थे। व्यक्तिगत निष्पक्षता का आकलन करने के लिए, हमने एक संगति मीट्रिक प्रस्तुत किया जो एमएल मॉडल और मानव मूल्यांकनकर्ताओं के निर्णयों के बीच सहमति को मापता है। विश्लेषण के परिणामों से पता चला कि निष्पक्षता की संगति में एमएल मॉडल ने मानव मूल्यांकनकर्ताओं की तुलना में 14.08% से 18.79% बेहतर प्रदर्शन किया। यह उच्च सटीकता बनाए रखते हुए प्रवेश प्रक्रिया में निष्पक्षता में सुधार के लिए एमएल का लाभ उठाने की क्षमता को दर्शाता है, और हम एक संकर दृष्टिकोण का प्रस्ताव करते हैं जो मानवीय निर्णय और एमएल मॉडल को जोड़ता है।
