抑郁症预测机器学习的公平性与偏差校正：来自四项研究人群的结果
机器学习
2023-10-27 v3 计算机与社会
摘要
精神卫生保健中存在严重的污名化和不平等现象，尤其是在服务不足的人群中。这些不平等反映在为科学目的收集的数据中。若未妥善处理，从数据中学习到的机器学习（ML）模型可能会强化这些结构性不平等或偏差。在此，我们对旨在预测抑郁症的ML模型中的偏差进行了系统研究，涵盖四个涉及不同国家和人群的案例研究。我们发现，标准ML方法表现出规律性的偏差行为。我们还表明，缓解技术（包括标准方法和我们自创的事后方法）均能有效降低不公平偏差的水平。没有任何单一最佳的抑郁症预测ML模型能够提供结果平等。这凸显了在模型选择过程中分析公平性以及透明报告去偏干预影响的重要性。最后，我们为开发具有偏差意识的抑郁症风险预测ML模型提供了实用建议。
引用
@article{arxiv.2211.05321,
title = {Fairness and bias correction in machine learning for depression prediction: results from four study populations},
author = {Vien Ngoc Dang and Anna Cascarano and Rosa H. Mulder and Charlotte Cecil and Maria A. Zuluaga and Jerónimo Hernández-González and Karim Lekadir},
journal= {arXiv preprint arXiv:2211.05321},
year = {2023}
}
备注
11 pages, 2 figures