AGEISM IN ARTIFICIAL INTELLIGENCE: A REVIEW
Notice bibliographique
Résumé
Abstract Background Artificial intelligence (AI) has emerged as a major driver of technological development in the 21st century, yet little attention has been paid to algorithmic biases towards older adults. "Digital ageism" is a new form of ageism that is embedded into technology and AI systems. Aim: This review aimed to explore how age-related bias is encoded in AI systems to better understand digital ageism. Methods The scoping review follows a six-stage methodology framework developed by Arksey and O'Malley. The search strategy has been established in six databases and we will investigate grey literature databases, targeted websites, popular search engines. An iterative search strategy was used. Studies meet the inclusion criteria if they are in English, peer-reviewed, available electronically in full-text, and included the concepts ‘bias’ and old age. At least two reviewers independently conducted title/abstract screening and full-text screening. Results Our database searches resulted in 7 595 manuscripts that underwent title and abstract screening. Of these 49 papers, were included in the study. The word "ageism" was explicitly mentioned only in about half of these papers. Approximately half the papers mentioned how age-related bias could be encoded into AI systems. The most commonly used AI applicaiton was computer vision. Conclusions Our preliminary findings contribute foundational knowledge about the age-related biases that were encoded or amplified in AI systems. This work advances how AI can be developed in a manner consistent with ethical values and human rights legislation, particularly as it relates to an older and aging population.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,000 |
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 tête enseignante, 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 ».