Ethical Challenges and Bias in Real-World AI: A Fairness-Oriented Approach to Resume Screening Systems
Notice bibliographique
Résumé
Artificial Intelligence (AI) is rapidly integrating into decision-making across fields like finance, healthcare, and criminal justice. However, its widespread use brings ethical challenges, especially the potential for bias in AI algorithms. This paper examines these ethical concerns, emphasizing three main types of bias: data bias, algorithmic bias, and interaction biasThrough real-world case studies, including biased facial recognition systems, hiring algorithms, and criminal justice AI tools, this paper highlights the far-reaching societal impact of these biases. These case studies demonstrate how bias in AI systems can result in unequal access to resources, unjust treatment in legal systems, and perpetuation of stereotypes in employment practices. This paper highlights the pressing need for robust strategies to address the ethical risks associated with AI. It delves into established frameworks such as Ethically Aligned AI, the EU Guidelines on Trustworthy AI, and the Toronto Declaration, offering essential principles for creating AI systems that prioritize fairness, transparency, and accountability. By evaluating current applications across different industries, this paper proposes actionable solutions to reduce bias in AI systems and also a sample model has been developed to represent how the system has to be under ethics and including enhancing data diversity and implementing robust governance mechanisms to ensure ethical oversight in resume screening processThis research seeks to advance the conversation on ethical AI by emphasizing fairness, equity, and the social good, ensuring that AI technologies are developed to benefit all communities equally.
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 | 0,117 | 0,162 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,040 |
| Communication savante | 0,014 | 0,013 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,007 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».