Exploring Fairness Debt Through Evidence from Studies on Algorithmic Discrimination
Notice bibliographique
Résumé
Context. The increasing deployment of artificial intelligence in decision-making processes has highlighted biases embedded in algorithms, leading to discriminatory outcomes that impact society. This phenomenon has led to the proposal of fairness debt, a type of software debt that emerges when biases are not addressed early in development and accumulate over time, creating costly, complex issues that can perpetuate societal inequities. Goal. This study aimed to explore the concept of fairness debt within algorithm-driven decision-making systems, identifying how deferred fairness considerations lead to accumulated biases and affect society. Method. We conducted a mapping study, analyzing 86 papers on algorithmic discrimination to classify root causes, effects, and instances of discrimination associated with fairness debt. Findings. Our findings indicate that several root causes, such as training bias, historical bias, and design bias, contribute to the accumulation of fairness debt, with manifestations in issues like sexism, racism, ableism, and ageism within systems. These accumulated biases can exacerbate social inequalities, limit algorithmic reliability, and perpetuate stereotypes, demonstrating fairness debt’s extensive societal impact. Discussions. Our study demonstrates that fairness debt extends beyond technical issues, encompassing broader societal consequences that demand proactive mitigation strategies, emphasizing the risks associated with deferring fairness considerations and highlighting the importance of fairness as a foundational principle in modern software systems, in particular AI systems. Conclusion. We explore algorithm discrimination through the lens of fairness debt, showcasing e that social concerns of algorithms can be interpreted as main component of software engineering practice, considering the socio-technical factors embedded in it and helping researchers and developers exploring discrimination in their systems and practices.
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 | 0,258 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,013 | 0,013 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».