STRATEGIES TO MITIGATE MACHINE LEARNING BIAS AFFECTING OLDER ADULTS: RESULTS FROM A SCOPING REVIEW
Notice bibliographique
Résumé
Abstract Digital ageism, defined as age-related bias in artificial intelligence (AI) and technological systems, has emerged as a significant concern for its potential impact on society, health, equity, and older people’s well-being. This scoping review aims to identify mitigation strategies used in research studies to address age-related bias in machine learning literature. We conducted a scoping review following Arksey & O’Malley’s methodology, and completed a comprehensive search strategy of five databases (Web of Science, CINAHL, EMBASE, IEEE Xplore, and ACM digital library). Articles were included if there was an AI application, age-related bias, and the use of a mitigation strategy. Efforts to mitigate digital ageism were sparse: our search generated 7595 articles, but only a limited number of them met the inclusion criteria. Upon screening, we identified only nine papers which attempted to mitigate digital ageism. Of these, eight involved computer vision models (facial, age prediction, brain age) while one predicted activity based on accelerometer and vital sign measurements. Three broad categories of approaches to mitigating bias in AI were identified: i) sample modification: creating a smaller, more balanced sample from the existing dataset; ii) data augmentation: modifying images to create more training data from the existing datasets without adding additional images; and iii) application of statistical or algorithmic techniques to reduce bias. Digital ageism is a newly-established topic of research, and can affect machine learning models through multiple pathways. Our results advance research on digital ageism by presenting the challenges and possibilities for mitigating digital ageism in machine learning models.
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 | 0,051 | 0,216 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,008 |
| Bibliométrie | 0,021 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».