EARN公平性：在利益相关者中解释、询问、审查和协商人工智能公平性指标

numerous公平性指标已被人工智能（AI）专家提出并用于定量测量AI模型中的偏见并定义公平性。认识到需要适应利益相关者多样化的公平性理解，正在努力征求他们的意见。然而，向没有AI专业知识的利益相关者传达AI公平性指标，捕捉他们的个人偏好，以及寻求集体共识仍然具有挑战性且未被充分探索。为了弥合这一差距，我们提出了一个新的框架EARN（解释、询问、审查和协商）公平性，它促进了不需要AI专业知识的利益相关者之间的集体指标决策。该框架具有一个适应性交互系统和一个以利益相关者为中心的EARN公平性流程，用于解释公平性指标、询问利益相关者的个人指标偏好、集体审查指标以及协商指标选择的共识。为了收集实证结果，我们将该框架应用于信用评级场景，并进行了一项涉及18名没有AI知识的决策对象用户研究。我们收集了他们的个人指标偏好，随后我们研究了他们在团队会议中如何达成指标共识。我们的工作表明，EARN公平性框架支持利益相关者表达和协商公平性偏好，我们为在高风险情境中实施以人为中心的AI公平性提供了实践指导。通过这种方法，我们旨在达成公平性观点的共识，促进更公平和包容的AI公平性。