Ethics in the Age of Algorithms: Unravelling the Impact of Algorithmic Unfairness on Data Analytics Recommendation Acceptance
Notice bibliographique
Résumé
ABSTRACT Algorithms used in data analytics (DA) tools, particularly in high‐stakes contexts such as hiring and promotion, may yield unfair recommendations that deviate from merit‐based standards and adversely affect individuals. While significant research from fields such as machine learning and human–computer interaction (HCI) has advanced our understanding of algorithmic fairness, less is known about how managers in organisational contexts perceive and respond to unfair algorithmic recommendations, particularly in terms of individual‐level distributive fairness. This study focuses on job promotions to uncover how algorithmic unfairness impacts managers' perceived fairness and their subsequent acceptance of DA recommendations. Through an experimental study, we find that (1) algorithmic unfairness (against women) in promotion recommendations reduces managers' perceived distributive fairness, influencing their acceptance of these recommendations; (2) managers' trust in DA competency moderates the relationship between perceived fairness and DA recommendation acceptance; and (3) managers' moral identity moderates the impact of algorithmic unfairness on perceived fairness. These insights contribute to the existing literature by elucidating how perceived distributive fairness plays a critical role in managers' acceptance of unfair algorithmic outputs in job promotion contexts, highlighting the importance of trust and moral identity in these processes.
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 | 0,031 | 0,151 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».