Testing Strategies to Improve Fairness for Predictions Made by Machine Learning-Based Gambling Harm Detection Systems
Notice bibliographique
Résumé
Researchers in the field of gambling studies have worked to develop machine learning-based harm detection systems that ingest online gambling behaviour data and generate scores that predict the likelihood that a given user will experience some harm-relevant outcome (self-reporting gambling problems, enrolling in a voluntary self-exclusion program, etc.). However, all studies in this area have used a limited set of metrics to assess the ‘overall’ performance of these machine learning models. Given that membership in different sociodemographic groups correlates with individuals’ risk for experiencing various gambling-related harms (Potenza et al., 2019), it is worth investigating whether current practices are developing models that generate equitable predictions for members of different sociodemographic groups, and whether these practices could be adjusted to improve outcome equity. In this study, we will examine an existing dataset of approximately 20,000 users of a provincially-operated gambling website in Canada. Within these data, we will develop three machine learning models that ingest data related to individual users’ transactions (deposits, withdrawals, and use of promotional offers), and generate predictions about whether each user is likely to have reported experiencing a high rate of gambling-related problems over the 12 months in which all data were collected. The results of these three models will be compared both in terms of their overall performance, and their performance within groups with different ages and sexes. We hypothesize that self-reported status as a high-risk gambler (PGSI 8+) will differ by age and sex, consistent with previous research. Further, we hypothesize that overall and group-level classification performance will differ between models built to satisfy fairness via unawareness, classification parity, and outcome calibration.
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 | 0,141 | 0,361 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,009 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».