Δικαιοσύνη στην τεχνητή νοημοσύνη

Αυτό το μάθημα εξερευνά τη δικαιοσύνη στην Τεχνητή Νοημοσύνη (AI), εστιάζοντας στον εντοπισμό και τη μείωση των προκαταλήψεων στα συστήματα AI. Καλύπτει τις πηγές προκατάληψης, μεθόδους αξιολόγησης και βελτίωσης της δικαιοσύνης, καθώς και τις ηθικές συνέπειες των αποφάσεων AI σε διαφορετικούς πληθυσμούς, με στόχο την προώθηση της ισότητας και την αποφυγή διακρίσεων στις εφαρμογές AI.

Δημιουργός προγράμματος σπουδών

Χρειάζεστε βοήθεια; Κάντε κλικ εδώ για οδηγίες.

Angwin, Julia, Jeff Larson, Surya Mattu και Lauren Kirchner. «Μεροληψία μηχανής». ProPublica, 23 Μαΐου 2016.

https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing

Grira, Nizar και M. Crucianu. “Unsupervised and Semi-Supervised Clustering: A Brief Survey,” 2004.

https://www.semanticscholar.org/paper/Unsupervised-and-Semi-supervised-Clustering-%3A-a-%E2%88%97-Grira-Crucianu/acb799150e4cd3a75fe79ca262047612bd8e5194

Olteanu, Alexandra, Carlos Castillo, Fernando Diaz και Emre Kıcıman. «Κοινωνικά δεδομένα: προκαταλήψεις, μεθοδολογικές παγίδες και ηθικά όρια». Frontiers in Big Data 2 (11 Ιουλίου 2019): 13.

https://doi.org/10.3389/fdata.2019.00013

Mehrabi, Ninareh, Fred Morstatter, Nanyun Peng και Aram Galstyan. “Debiasing Community Detection: Η σημασία των χαμηλών συνδεδεμένων κόμβων.” arXiv, 2019.

https://doi.org/10.48550/ARXIV.1903.08136

Fortunato, Santo και Darko Hric. “Ανίχνευση κοινότητας σε δίκτυα: Οδηγός χρήσης.” Εκθέσεις φυσικής 659 (2016): 1–44.

https://doi.org/10.1016/j.physrep.2016.09.002

Zhao, Jieyu, Tianlu Wang, Mark Yatskar, Vicente Ordonez και Kai-Wei Chang. «Στους άνδρες αρέσουν επίσης τα ψώνια: Μείωση της ενίσχυσης των προκαταλήψεων λόγω φύλου χρησιμοποιώντας περιορισμούς σε επίπεδο σώματος». arXiv, 2017.

https://doi.org/10.48550/ARXIV.1707.09457

Mehrabi, Ninareh, Fred Morstatter, Nripsuta Saxena, Kristina Lerman και Aram Galstyan. “Μια έρευνα σχετικά με την προκατάληψη και τη δικαιοσύνη στη μηχανική μάθηση.” ACM Computing Surveys 54, no. 6 (13 Ιουλίου 2021): 1–35.

https://doi.org/10.1145/3457607