Algorithmic Discrimination in Europe: Challenges and Opportunities for Gender Equality and Non-Discrimination Law
Notice bibliographique
Résumé
The rapid development and increasing use of artificial intelligence and algorithmic applications have raised many concerns relating to algorithms’ propensity to discriminate. Algorithmic discrimination can arise from various sources and at various stages of software design and it risks endangering one of the most fundamental rights guaranteed by EU law: the right to gender equality and non-discrimination. This thematic report identifies the main legal challenges arising from algorithmic discrimination at both national and EU level. It assesses whether the current gender equality and non-discrimination legislative framework in place in the EU and at the national level adequately captures algorithmic discrimination. It maps out the gaps and weaknesses that arise from the interaction between the specific types of discrimination produced by algorithmic decision-making systems on the one hand and the particular material and personal scope of existing legislative frameworks on the other. This thematic report also examines which legal solutions, policy measures and good practices the EU and the national member states have adopted to address these gaps and weaknesses. In short, this thematic report investigates how the issue of algorithmic discrimination is framed, addressed and redressed in the EU, with a particular focus on gender equality. Thematic Report coordinated by the European Network of legal experts in gender equality and non-discrimination
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 | 0,020 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,014 | 0,008 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,008 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».