The Long Road Toward Tracking the Trackers and De-biasing: A Consensus on Shaking the Black Box and Freeing From Bias
Notice bibliographique
Résumé
Automated decision making is both promising and threatening. Processing the biggest data possible may lead to societal advances but also violate human rights. There is, then, an acute need to protect individuals without impeding major benefits. Non-human agents may be biased; and they may not lend themselves to easy explanations. Instead of focusing on interpreting models, there seems to be a shift toward a concept of risk assessments. Opaque systems are aimed at predicting, or forecasting, future situations. This challenges human values and ethical principles. Even though incorporating ethics in machines is an old subject of legal discussion, consensus has not yet been reached; for theories and values may be controversial. This paper examines whether there could be an agreement on fundamental principles. A commonly understood basis could allow for fair and proportionate mechanisms to address crucial aspects of partiality and opacity in automated decision making. It could trigger a shift toward a concept of ‘tracking the trackers’ and a discussion on a ‘right to an unbiased decision maker’.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,152 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,109 |
| Communication savante | 0,020 | 0,036 |
| Science ouverte | 0,008 | 0,011 |
| Intégrité de la recherche | 0,021 | 0,030 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».