Categoría
Ética aplicada y dilemas
Explora 15 guías gratuitas sobre modelos mentales en Ética aplicada y dilemas.
Equidad algorítmica y ética de la IA
Estrategias de mitigación de sesgos
Técnicas para reducir la discriminación injusta en sistemas de decisión algorítmica mediante el preprocesamiento de datos, ajustes del entrenamiento o la corrección de resultados.
Leer guíaRazonamiento causal para la equidad
Uso de modelos causales y razonamiento contrafáctico para detectar y eliminar la discriminación algorítmica al modelar cómo los atributos protegidos influyen realmente en las decisiones.
Leer guíaParidad demográfica
Una métrica de equidad que exige distribuir por igual los resultados de un algoritmo entre distintos grupos demográficos, independientemente de sus cualificaciones.
Leer guíaIgualdad de probabilidades y oportunidades
Examina cómo equilibrar entre distintos grupos demográficos los errores de predicción de un algoritmo, como las aprobaciones y los rechazos incorrectos.
Leer guíaModelos con restricciones de equidad
Un método para crear sistemas de IA diseñados explícitamente para minimizar resultados sesgados al equilibrar la precisión predictiva con objetivos de equidad.
Leer guíaEquidad por desconocimiento
Enfoque que asume que los algoritmos son justos si no usan atributos protegidos, como la raza o el género, pese a posibles sesgos ocultos en datos correlacionados.
Leer guíaEquidad grupal frente a equidad individual
Dos enfoques contrapuestos para medir la equidad en IA: lograr resultados similares entre grupos demográficos o tratar por igual a personas similares, sin importar su grupo.
Leer guíaEquidad interseccional
Equidad en la IA que considera cómo se combinan distintas identidades (raza, género, edad, discapacidad) para crear formas específicas de daño algorítmico.
Leer guíaImpactos en la equidad a largo plazo
Cómo las decisiones algorítmicas moldean la equidad con el tiempo mediante ciclos de retroalimentación que amplifican, agravan o pueden reducir los sesgos sociales.
Leer guíaMétodos de interpretabilidad de modelos
Técnicas para entender cómo toman decisiones los sistemas de IA y hacer que los algoritmos opacos sean transparentes y permitan exigir responsabilidades.
Leer guíaReponderación para la equidad
Técnica que ajusta el peso de los datos de entrenamiento para reducir la discriminación al equilibrar la representación de los grupos antes de entrenar el modelo.
Leer guíaSistemas sociotécnicos
Sistemas en los que las personas y la tecnología están profundamente conectadas: cambiar una parte siempre afecta a la otra.
Leer guíaFuentes del sesgo algorítmico
Los resultados injustos pueden surgir de los datos de entrenamiento, del diseño de los algoritmos y de las interacciones entre los sistemas y sus usuarios.
Leer guíaProblema de la caja negra
El reto de entender cómo toman decisiones los sistemas de IA cuando su razonamiento interno es invisible para las personas.
Leer guíaSesgo algorítmico
Comprende cómo los sistemas automatizados pueden producir resultados injustos o discriminatorios, incluso cuando se diseñan con buenas intenciones.
Leer guía