This article researches factors that influence price fairness judgments. The empirical literature suggests several factors: reference prices, the costs of the seller, a self-interest bias, and the perceived motive of sellers. Using a Dutch sample, we find empirical evidence that these factors significantly affect perceptions of fair prices. In addition, we find that the perceived fairness of prices is also influenced by other distributional concerns that are independent of the transaction. In particular, price increases are judged to be fairer if they benefit poor people or small organizations rather than rich people or big organizations.
DOCUMENT
This paper researches perceptions of the concept of price fairness in the Dutch coffee market. We distinguish four alternative standards of fair prices based on egalitarian, basic rights, capitalistic and libertarian approaches. We investigate which standards are guiding the perceptions of price fairness of citizens and coffee trade organizations. We find that there is a divergence in views between citizens and key players in the coffee market. Whereas citizens support the concept of fairness derived from the basic rights approach, holding that the price should provide coffee farmers with a minimum level of subsistence, representatives of Dutch coffee traders hold the capitalistic view that the free world market price is fair.
DOCUMENT
Learning Analytics en bias – Learning analytics richt zich op het meten en analyseren van studentgegevens om onderwijs te verbeteren. Bakker onderscheidt hierin verschillende niveaus, zoals student analytics en institutional analytics, en focust op inclusion analytics, waarin gekeken wordt naar kansengelijkheid. Bias – systematische vooroordelen in data – kan vooroordelen in algoritmen versterken en zo kansenongelijkheid veroorzaken. De onderzoeksmethode maakt gebruik van het 4/5-criterium, waarbij fairness in uitkomsten gemeten wordt door te kijken of de kansen voor de beschermde groep minstens 80% zijn van die van de bevoorrechte groep.Onderzoeksaanpak – Bakker gebruikt machine learning om retentie na het eerste studiejaar te voorspellen en onderzoekt vervolgens verschillen tussen groepen studenten, zoals mbo-en vwo-studenten. Hij volgt drie stappen: (1) Data voorbereiden en modellen bouwen: Data worden opgesplitst en opgeschoond om accurate voorspelmodellen te maken. (2) Variabelen analyseren: Invloed van kenmerken op uitkomsten wordt beoordeeld voor verschillende groepen. (3) Fairness berekenen: Het 4/5-criterium wordt toegepast op metrics zoals accuraatheid en statistische gelijkheid om bias en ongelijkheden te identificeren. Resultaten, aanbevelingen en vervolgonderzoek – Uit het onderzoek blijkt dat kansengelijkheid bij veel opleidingen ontbreekt, met name voor mannen en mbo-studenten, die een hogere kans op uitval hebben. Bakker adviseert sensitieve kenmerken zoals migratieachtergrond mee te nemen in analyses op basis van informed consent. Daarnaast pleit hij voor meer flexibiliteit in het beleid, geïnspireerd door maatregelen tijdens de coronacrisis, die een positief effect hadden op studiesucces.Toekomstvisie – Bakker benadrukt dat niet elke ongelijkheid het gevolg is van discriminatie en roept op tot data-informed interventies om sociale rechtvaardigheid in het onderwijs te bevorderen. Zijn methode wordt open access beschikbaar gesteld, zodat ook andere instellingen deze kunnen toepassen en kansengelijkheid systematisch en bewust kunnen onderzoeken.
DOCUMENT
