Comparing ‘fair’ machine learning models for detecting at-risk online gamblers
Notice bibliographique
Résumé
Researchers have worked to develop machine learning models that detect at-risk online gamblers, enabling personalized harm prevention tools. However, existing research has not evaluated these models’ potential to reinforce or amplify sociodemographic biases leading to treatment disparity, a recognized issue in the machine learning field. We sought to develop and compare three examples of potentially fair models using online gambling data. In two large samples of transaction data from a provincially owned Canadian gambling website (N1 = 9,145, N2 = 10,716), we developed three machine learning models based on competing concepts of fairness: fairness via unawareness, classification parity, and outcome calibration. We hypothesized that significant relationships existed between reporting a high risk of past-year gambling problems (the dependent variable) and participants’ age and sex. Further, we hypothesized that the three ‘fair’ models would show differing levels of classification performance both in aggregate and within sociodemographic groups. Significant age and sex effects were found, refuting the fairness via unawareness modeling strategy. Superiority across all performance metrics was not present for either of the remaining models. For the fairest practices in any jurisdiction, classification parity and outcome calibration models should be tested in situ, and incorporate the perspectives and preferences of end users who will be affected.
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 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».