Équité algorithmique: perspective interdisciplinaire et recommandations pour statisticiens et autres scientifiques de données
Bibliographic record
Abstract
Au cours des dernières années, les algorithmes prédictifs ont fait la manchette en raison de leur caractère potentiellement discriminatoire. Ce qui représente, ou non, de la discrimination algorithmique et les différentes méthodes de correction sont devenues le centre d'attention de plusieurs chercheurs universitaires. L'objectif de cet article est de faire le lien entre différentes perspectives disciplinaires sur l'équité algorithmique et de mettre le tout en lien avec les notions de statistique, dans une tentative de faire ressortir le rôle du statisticien sur la question. La recherche s'appuie sur une revue de littérature narrative qui permet, entre autres, de mettre en évidence l'impossibilité d'automatiser l'équité, la nécessité d'une compréhension approfondie des modèles, du domaine d'application et des enjeux éthiques pour une prise de décision éclairée quant à la conception et l'élaboration de ce type de modèle. L'analyse de la littérature permet aussi d'émettre un certain nombre de recommandations pour le praticien et pour les chercheurs en équité algorithmique. Mots-clés équité algorithmique • discrimination algorithmique • biais algorithmique • prise de décision • modèles prédictifs • intelligence artificielle • science des données • analytique avancée • éthique
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.095 | 0.215 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.008 | 0.010 |
| Science and technology studies | 0.002 | 0.009 |
| Scholarly communication | 0.019 | 0.017 |
| Open science | 0.006 | 0.006 |
| Research integrity | 0.006 | 0.013 |
| Insufficient payload (model declined to judge) | 0.007 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".