Strategic Best-Response Fairness Framework for Fair Machine Learning
Notice bibliographique
Résumé
This study introduces a framework called “strategic best-response fairness” (SBR-fairness) to address discrimination perpetuated by machine-learning (ML) algorithms. It challenges the conventional focus on fairness solely in prediction results, arguing that this approach ignores how individuals affected by the predictions may alter their behavior in response to algorithmic decisions. The framework considers whether an algorithm, trained on potentially biased data, leads to identical equilibrium behaviors across different subpopulations that are ex ante identical. The study finds that common fair-ML algorithms, such as those relying on color-blindness and demographic parity fairness criteria, do not always achieve SBR fairness. This means that they may not eliminate disparities in effort and outcomes. Equalized odds (EO), however, have been shown to achieve SBR fairness, but they suffer from several practical limitations. The study proposes that SBR fairness is a necessary condition for breaking cycles of discrimination in ML. It also argues that SBR fairness offers a complementary way to assess other fairness criteria and understand behavioral responses. The findings suggest a need for policy and practical focus on designing SBR-fair algorithms that promote equitable outcomes at both the prediction and behavioral level.
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 | 0,026 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».