公平性在机器学习中的工作阐释与改造
计算机与社会
2024-09-26 v2 人工智能
机器学习
摘要
公平人工智能领域旨在通过计算建模来抵消偏见算法，但面临日益增加的批评，指责其延续过于技术化和简化的方法。因此，新兴的方法在该领域出现，以应对更加社会导向和跨学科（SOI）视角下的公平AI问题。本文以此动态为出发点，研究计算机科学（CS）与SOI研究之间的张力。通过借鉴STS和CSCW理论，我们将公平AI研究定位为“组织对齐”问题：什么使得研究“可实现”取决于三个层次工作组织（社会世界、实验室和实验）的成功对齐。基于对CS研究者的定性访谈，我们分析实现可行研究所需的任务、资源和参与者。在我们研究中发现，尽管CS研究者在一定程度上与SOI研究互动，但组织条件、工作阐释以及社会世界的模糊性限制了他们对SOI研究的可实现性。基于我们的发现，我们识别并讨论了在公平AI持续演进的背景下，对齐CS与SOI存在的问题。
引用
@article{arxiv.2407.16496,
title = {Articulation Work and Tinkering for Fairness in Machine Learning},
author = {Miriam Fahimi and Mayra Russo and Kristen M. Scott and Maria-Esther Vidal and Bettina Berendt and Katharina Kinder-Kurlanda},
journal= {arXiv preprint arXiv:2407.16496},
year = {2024}
}