Do Black Fintechs Matter? The Long and Winding Road to Develop Inclusive Algorithms for Social Justice
Notice bibliographique
Résumé
Racism in the financial sector is a complex global phenomenon involving intertwined social, economic, and digital systems. Credit denial rates for Black applicants suggest that financial systems have assimilated racial discrimination into their algorithms and credit scoring tools. Considering that digital tools incorporate their developers’ life experiences and perspectives, and in view of the low representation of the Black community in the digital startup universe, it is evident that even well-meaning fintechs are reproducing racial bias in their technology-intensive business models. In this paper, we investigate how three Black-owned Brazilian fintechs design and use inclusive algorithms to decrease persistent social injustice involving racial financial inclusion. We combine the concept of sociotechnical reconfiguration, taken from the South American tradition of “tecnologia social” (social technology), with the three core concepts of Nancy Fraser’s theory of social justice—representation, recognition, and redistribution—to analyze the process by which Black-owned fintechs develop their particular solutions for combating racial bias. We found that pressured by the need to be profitable, the lack of capital to develop their own credit scoring tools, and the low profile maintained by the Black community ecosystem, Black-owned fintechs focus on a sort of affirmative experimentation to gradually create original digital solutions aimed at achieving social justice in the financial system.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».