众包公平性偏好是否与风险感知相关?
随着自动决策系统的普及,对这些系统公平性的担忧也应运而生。在没有 universally agreed-upon 的公平性定义的情况下,针对自动决策场景,研究人员经常采用众包方式来征集人们跨多个公平性定义的偏好。然而,人们经常发现众包的公平性偏好高度依赖于情境,这引发了对这些偏好背后驱动因素的好奇。一个合理的假设是,人们的公平性偏好反映了他们对不同类型决策错误的感知风险水平,使得平等化人们认为最严重的错误类型的公平定义更受青睐。为验证这一猜想,我们进行了一项人类受试者研究(N=213),在三种社会背景下研究人们的公平性感知。特别地,这三种社会背景在 与不同类型决策错误相关的预期风险水平上有所不同,我们收集了每种背景下人们的公平性偏好和风险感知。我们的结果表明,人们通常能够区分不同社会背景下决策风险的 不同程度。然而,我们发现人们的公平性偏好在三种选定的社会背景之间没有显著差异,除了在某些人群子组内(例如,具有特定种族背景的人)。因此,我们观察到很少有证据表明人们对决策错误的风险感知与其公平性偏好相关。这些结果突显了公平性偏好是高度主观和细微的,它们可能主要受到决策错误感知风险以外的因素的影响。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
研究问题
3- 在多种社会场景下,个体的公平偏好与其对决策错误风险的感知是否相关?分类: 公平感知、资源分配与交互呈现同类问题arrow_forward
- 特定场景的风险特征如何影响人们选择公平度量的偏好?分类: 公平感知、资源分配与交互呈现同类问题arrow_forward
- 在不同群体中(如种族背景、特权状态),公平度量的偏好是否表现出显著差异?分类: 公平感知、资源分配与交互呈现同类问题arrow_forward
现实痛点
1- 自动化决策系统在敏感场景下涉及风险,其公平性难以被用户信任。分类: 公平感知、资源分配与交互呈现同类问题arrow_forward
- 100%
机器人、聊天机器人、自动驾驶汽车:人工智能中关于心智和道德的认知
CHI '25· AI 伦理、公平与问责 +1
- 100%
缺席的力量:在算法设计中运用档案学理论进行思考
DIS '24· AI 伦理、公平与问责 +1
- 67%
23种助推方法:人机交互中技术介导助推的回顾
CHI '19· AI 辅助决策与自动化系统 +2
- 67%
当刻板印象GTG:预测性文本建议对人与AI协作写作中性别偏见的影响
CHI '26· 大语言模型(LLM)的人机协作 +2
- 67%
超越微软和孟山都:去化计算中的单作隐喻
CHI '26· AI 伦理、公平与问责 +2
- 60%
从批判种族理论视角探索数据素养的方法
CHI '21· 算法公平与偏见 +1
- 60%
走向实践中的公平性:评估公平机器学习工具包的实践者导向标准
CHI '21· AI 伦理、公平与问责 +1
- 60%
陪审团学习:将不同意见整合到机器学习模型中
CHI '22· AI 伦理、公平与问责 +1
- 60%
有能力但不道德?比较AI和人类专家在道德决策中的合作
CHI '22· AI 伦理、公平与问责 +1
- 60%
脱离上下文:调查“人工智能作为服务”的偏见和公平性问题
CHI '23· AI 伦理、公平与问责 +1
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)