分类

伦理困境与应用伦理学

浏览“伦理困境与应用伦理学”中的 15 篇免费思维模型文章。

算法公平性与AI伦理

通过预处理数据、调整模型训练方式或修正输出，减少算法决策系统中不公平歧视的技术。

借助因果模型和反事实推理，分析受保护属性实际上如何影响决策，从而识别并消除算法歧视。

一种公平性指标，要求算法在不同人口群体中以相同的比例分配结果，不考虑各群体原本的资质情况。

探讨如何让算法的预测错误（如错误批准和错误拒绝）在不同人口群体之间保持均衡。

一种构建 AI 系统的方法，通过平衡预测准确率与公平性目标，明确将尽量减少有偏结果作为设计目标。

无知公平是一种认为算法只要不使用种族或性别等受保护属性就公平的做法，却忽略了相关数据中可能隐藏的偏见。

衡量人工智能系统公平性的两种相互竞争的思路：一种要求不同人口群体获得相近的结果，另一种要求相似的个人得到同等对待，不受群体身份影响。

交叉公平性关注种族、性别、年龄、残障等多重身份如何交织，让人们遭受独特的算法伤害。

算法决策如何通过反馈循环，在长期中影响公平性，放大、累积或可能减少社会中的偏见。

一类帮助你了解人工智能系统如何作出决策的技术，让不透明的算法变得透明，并能被问责。

一种在模型训练开始前调整训练数据权重、平衡不同群体代表性，从而减少歧视的技术。

人与技术紧密相连的系统，改变其中一方，总会影响另一方。

训练数据、算法设计，以及系统与用户之间的互动，都可能带来不公平的结果。

当人们看不到人工智能系统的内部推理过程时，就很难理解它是如何做出决策的。

了解自动化系统为什么即使出于好意而设计，也可能产生不公平或带有歧视性的结果。