Understanding and Preventing Artificial Intelligence Ethics Issues in Financial Services Organizations: Three Studies
Notice bibliographique
Résumé
Reports of financial institutions proliferating discrimination, jeopardizing customer privacy, generating decisions from customer data without informed consent, and making other ethical failures in their use of artificial intelligence (AI) are increasing. As the use of AI grows, understanding and preventing the associated ethics implications is of great importance. The goal of the dissertations is to determine what the key ethical issues are arising from the use of AI in financial services organizations and study the use of AI principles (AIPs) to prevent them. AIPs are formal documents developed or selected by an organization that state normative declarations about how artificial intelligence ought to be used by its managers and employees. First, an introduction is provided that discusses the general motivation for the dissertation, a summary of the research studies included within, and the contributions of the thesis in relation to other fields studying AI ethics (Chapter 1). Second, a study is conducted to determine what the key ethical implications are of using AI in the financial services industry, drawing on literature and a semi-structured interview study of 21 employees at a large Canadian financial services institution. This understanding of AI ethics issues is presented as a Code of Conduct (one type of AIP), which has since been adopted by several Canadian financial institutions (Chapter 2). Third, an in-depth technical case study is presented that considers one ethical issue uncovered in Chapter 2: bias and discrimination. A realistically large dataset from a global fintech lender is used to simulate the impact of anti-discrimination regimes and their corresponding data management and model building guidance on gender-based discrimination. In addition, several approaches for organizations to reduce the discrimination are provided, considering the implications for model quality and firm profitability. The regulatory implications for preventing gender discrimination in non-mortgage fintech lending are then discussed (Chapter 3). Fourth, the dissertation returns to the broader organizational study of AI ethics self-regulatory initiatives and examines employee perceptions on the effective adoption of AIPs. 49 interviews were conducted with employees of 24 financial services organizations across 11 countries; the findings from which provide eleven components that could impact the effective adoption of AIPs at organizations (Chapter 4). The conclusions and practical implications of the dissertation are then summarized, followed by a discussion of limitations and future research plans (Chapter 5).
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 | 0,034 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,018 | 0,010 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,006 |
| 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 ».