对平台工人评级中偏见的实验研究:绩效质量和性别作用

算法公平与偏见包容性设计(Inclusive Design)性别与种族在HCI中的议题HCI 研究员Amazon Mechanical Turk 工作者

我们研究了人们在在线劳动力平台上收到的评分是如何受到他们的表现、性别、评分者的性别以及来自其他评分者的显示评分的影响的。我们进行了一项欺骗研究,在这项研究中,参与者与一对模拟工人合作完成一项任务,这些模拟工人在性别和表现水平上有所不同,然后对他们的表现进行评分。当配对工人的表现相似时,表现较差的女性的评分低于她们的男性同行。当配对工人之间存在明显的表现差异时,表现较差的女性比表现相似的男性同行更受青睐。此外,显示其他评分者的平均评分会使评分更加极端,导致表现优秀的工人获得显著更高的评分,而表现较差的工人则获得更低的评分,相比之下,当没有平均评分时。这项工作提供了评分中偏见何时出现的经验性理解,并提出了在线工作平台如何应对这些偏见的建议。

快捷操作

分享

分享当前页面

ios_share

https://hci.top/zh/papers/chi/32195/2020

广告推荐

学习 AI 编程到 CodeNow

open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3313831.3376860
一眼看懂

论文快照

fact_check
dataset
来源
CHI
calendar_month
年份
2020
emoji_events
奖项
未标记奖项
group
作者
5 位作者
sell
研究子方向
算法公平与偏见、包容性设计(Inclusive Design)、性别与种族在HCI中的议题
work
职业/产业
HCI 研究员、Amazon Mechanical Turk 工作者
article
内容状态
仅摘要
hub
相关论文
0 篇相关论文