Equità nell'Intelligenza Artificiale

Questo modulo esplora l’equità nell’intelligenza artificiale (AI), concentrandosi sull’identificazione e la mitigazione dei pregiudizi nei sistemi AI. Copre le fonti di pregiudizio, i metodi per valutare e migliorare l’equità e le implicazioni etiche delle decisioni dell’AI su diverse popolazioni, mirando a promuovere l’uguaglianza e prevenire la discriminazione nelle applicazioni AI.

Costruttore di curriculum

Ha bisogno di aiuto? Clicchi qui per le istruzioni.

Angwin, Julia, Jeff Larson, Surya Mattu e Lauren Kirchner. “Pregiudizio della macchina”. ProPublica, 23 maggio 2016.

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

Grira, Nizar e M. Crucianu. “Clustering non supervisionato e semi-supervisionato: una breve indagine”, 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 ed Emre Kıcıman. “Dati sociali: pregiudizi, insidie metodologiche e confini etici”. Frontiere nei Big Data 2 (11 luglio 2019): 13.

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

Mehrabi, Ninareh, Fred Morstatter, Nanyun Peng e Aram Galstyan. “Debiasing Community Detection: l’importanza dei nodi a bassa connessione.” arXiv, 2019.

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

Fortunato, Santo e Darko Hric. “Rilevamento della comunità nelle reti: una guida per l’utente”. Rapporti di fisica 659 (2016): 1–44.

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

Zhao, Jieyu, Tianlu Wang, Mark Yatskar, Vicente Ordonez e Kai-Wei Chang. “Anche agli uomini piace fare shopping: ridurre l’amplificazione dei pregiudizi di genere utilizzando i vincoli a livello di corpus.” arXiv, 2017.

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

Mehrabi, Ninareh, Fred Morstatter, Nripsuta Saxena, Kristina Lerman e Aram Galstyan. “Un’indagine su pregiudizi ed equità nell’apprendimento automatico”. ACM Computing Surveys 54, n. 6 (13 luglio 2021): 1–35.

https://doi.org/10.1145/3457607