关于公平排序中的交叉性（Intersectionality）教程
计算机与社会
2025-02-11 v1 信息检索
机器学习
摘要
我们针对已渗透至搜索引擎、推荐系统和人力资源管理等多个领域的偏见算法和不公平排序问题进行了研究。这些偏见可能在数据驱动的世界中导致歧视性结果，尤其是针对边缘群体和缺乏代表性的群体。负责任的数据科学和负责任的人工智能努力旨在缓解这些偏见并促进公平性、多样性和透明度。然而，大多数公平排序方法仅关注受保护属性（如种族、性别或社会经济地位），忽略了这些属性之间的交叉性，即多种社会身份之间的相互作用。理解交叉性对于确保现有不平等不被公平排序所保留至关重要。我们提供了通过实际示例将交叉性纳入公平排序系统的主要方法描述，并提供现有文献的比较概述以及总结各种方法ology的综合表。我们的分析表明，实现公平性需要交叉性，而且公平性本身也不一定意味着交叉性。
引用
@article{arxiv.2502.05333,
title = {A Tutorial On Intersectionality in Fair Rankings},
author = {Chiara Criscuolo and Davide Martinenghi and Giuseppe Piccirillo},
journal= {arXiv preprint arXiv:2502.05333},
year = {2025}
}