Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
ÉQuité consciente de l'effort : intégration d'une notion d'effort centrée sur l'humain et éclairée par la philosophie dans les mesures d'équité algorithmique
Created by
Haebom
Auteur
Tin Nguyen, Jiannan Xu, Zora Che, Phuong-Anh Nguyen-Le, Rushil Dandamudi, Donald Braman, Furong Huang, Hal Daum e III, Zubin Jelveh
Contour
Cet article propose le concept d'équité consciente de l'effort (EaF), soulignant que les indicateurs existants, tels que l'égalité démographique, pour évaluer l'équité des systèmes d'intelligence artificielle (IA) ne tiennent pas compte du degré d'effort fourni par les individus dans l'espace des caractéristiques d'entrée. L'EaF s'appuie sur le concept de « force », qui prend en compte la trajectoire temporelle et l'inertie des caractéristiques. Au-delà des fondements théoriques, nous présentons (1) des expériences humaines préenregistrées démontrant que les individus accordent plus d'importance à la trajectoire temporelle des caractéristiques qu'à leurs valeurs agrégées aux deux étapes du processus d'évaluation de l'équité individuelle. De plus, nous présentons un pipeline permettant de calculer l'équité individuelle/de groupe consciente de l'effort dans les domaines de la justice pénale et des finances personnelles. Cette recherche permet aux auditeurs de modèles d'IA de détecter et de corriger les décisions injustes pour les personnes qui restent défavorisées malgré des efforts importants pour surmonter un désavantage systémique.
Takeaways, Limitations
•
Takeaways:
◦
Souligne l’importance de l’effort dans l’évaluation de l’équité de l’IA et présente une nouvelle perspective qui surmonte les limites des indicateurs existants.
◦
Présentation des fondements théoriques et des bases empiriques pour évaluer l’équité en tenant compte de l’effort.
◦
Développer un pipeline démontrant une applicabilité pratique dans la justice pénale et les finances personnelles.
◦
Améliorer l’équité des modèles d’IA et offrir la possibilité de corriger les décisions injustes.
•
Limitations:
◦
Manque de clarté et possibilité d’interprétation subjective dans la définition et la mesure de « l’effort ».
◦
La généralisabilité du pipeline proposé et son applicabilité à diverses situations doivent être vérifiées.
◦
Un examen plus approfondi du nombre de participants et de la représentativité des échantillons dans les essais sur des sujets humains est nécessaire.
◦
Manque d’explication détaillée du processus de quantification et de calcul du concept de « force ».
