Umeå universitets logga

umu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Impact based fairness framework for socio-technical decision making
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för datavetenskap.
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för datavetenskap.ORCID-id: 0000-0002-7788-3986
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för datavetenskap.ORCID-id: 0000-0002-8423-8029
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för datavetenskap.ORCID-id: 0000-0001-7409-5813
2023 (Engelska)Ingår i: Proceedings of the 1st workshop on fairness and bias in AIco-located with 26th european conference on artificial intelligence (ECAI 2023) / [ed] Roberta Calegari; Andrea Aler Tubella; Gabriel González Castañe; Virginia Dignum; Michela Milano, CEUR-WS , 2023Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

Avoiding bias and understanding the consequences of artificial intelligence used in decision making is of high importance to avoid mistreatment and unintended harm. This paper aims to present an impact focused approach to model the information flow of a socio-technical decision system for analysis of bias and fairness. The framework roots otherwise abstract technical accuracy and bias measures in stakeholder effects and forms a scaffold around which further analysis of the socio-technical system and its components can be coordinated. Two example use-cases are presented and analysed.

Ort, förlag, år, upplaga, sidor
CEUR-WS , 2023.
Serie
CEUR Workshop Proceedings, ISSN 16130073 ; 3523
Nyckelord [en]
decision-making system, Fairness, information-flow, socio-technical factors
Nationell ämneskategori
Datavetenskap (datalogi)
Identifikatorer
URN: urn:nbn:se:umu:diva-217267Scopus ID: 2-s2.0-85177071301OAI: oai:DiVA.org:umu-217267DiVA, id: diva2:1815668
Konferens
1st Workshop on Fairness and Bias in AI, AEQUITAS 2023, Krakow, 1 October, 2023.
Forskningsfinansiär
EU, Horisont 2020, 101070363Tillgänglig från: 2023-11-29 Skapad: 2023-11-29 Senast uppdaterad: 2023-11-30Bibliografiskt granskad

Open Access i DiVA

fulltext(382 kB)189 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 382 kBChecksumma SHA-512
176d194d4e8a2bd66a3fa2ce09a30032d5cdbfb54a48a7b513e606bd877ece501a44fb2fb65edb57579be7030cba971ace13b4ea0acfee3a42c4c2565097867a
Typ fulltextMimetyp application/pdf

Övriga länkar

ScopusProceeding

Person

Brännström, MattiasJiang, LiliAler Tubella, AndreaDignum, Virginia

Sök vidare i DiVA

Av författaren/redaktören
Brännström, MattiasJiang, LiliAler Tubella, AndreaDignum, Virginia
Av organisationen
Institutionen för datavetenskap
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 190 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 873 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf