論文の概要: Discrimination and AI in insurance: what do people find fair? Results from a survey

• arxiv url: http://arxiv.org/abs/2501.12897v1
• Date: Wed, 22 Jan 2025 14:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 16:53:09.924863
• Title: Discrimination and AI in insurance: what do people find fair? Results from a survey
• Title（参考訳）: 保険における差別とAI:「公正」とは何か? : 調査の結果から
• Authors: Frederik Zuiderveen Borgesius, Marvin van Bekkum, Iris van Ooijen, Gabi Schaap, Maaike Harbers, Tjerk Timan,
• Abstract要約: 現代の保険の2つのトレンドは、データ集約的な引受と行動に基づく保険である。 調査の回答者は、私たちが不公平だと説明した近代的な保険の実践のほとんどを見つけました。 我々はその発見の政策的含意を反映する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Two modern trends in insurance are data-intensive underwriting and behavior-based insurance. Data-intensive underwriting means that insurers use and analyze more data for estimating the chance that a consumer files a claim and calculating the premium based on that estimation. Insurers analyze the new datasets with artificial intelligence (AI) to discover new correlations, with which they can estimate the policyholder's expected claims cost more precisely. Insurers also offer behavior-based insurance. For example, some car insurers use AI to follow the driving behavior of an individual policyholder in real-time and decide whether to offer that policyholder a discount. Similarly, a life insurer could track a policyholder's activity with a smart watch and offer a discount for an active lifestyle. In this paper, we report on a survey of the Dutch population (N=999) in which we asked people's opinions about examples of data-intensive underwriting and behavior-based insurance. The main results include the following. First, if survey respondents find an insurance practice unfair, they also find the practice unacceptable. Second, respondents find almost all modern insurance practices that we described unfair. Third, respondents find practices fairer if they can influence the premium. For example, respondents find behavior-based car insurance with a car tracker relatively fair. Fourth, if respondents do not see the logic of using a certain consumer characteristic, then respondents find it unfair if an insurer calculates the premium based on the characteristic. Fifth, respondents find it unfair if an insurer offers an insurance product only to a specific group, such as car insurance specifically for family doctors. Sixth, respondents find it unfair if an insurance practice leads to higher prices for poorer people. We reflect on the policy implications of the findings.
• Abstract（参考訳）: 現代の保険の2つのトレンドは、データ集約的な引受と行動に基づく保険である。 データ集約的な引受は、保険会社が消費者が請求を提出し、その見積もりに基づいてプレミアムを計算する確率を推定するために、より多くのデータを使用し、分析することを意味する。 保険会社は、新しいデータセットを人工知能(AI)で分析し、新たな相関関係を発見し、政策所有者の期待する請求のコストをより正確に見積もることができる。 保険会社は行動ベースの保険も提供している。 例えば、自動車保険会社の中には、AIを使用して個々の政策ステークホルダーの運転行動をリアルタイムで追跡し、その政策ホルダーに割引を提供するかどうかを決定する者もいる。 同様に、ライフ保険会社は、スマートウォッチでポリシーホルダーの活動を追跡し、アクティブなライフスタイルの割引を提供することができる。 本稿では,オランダの人口調査(N=999)について報告し,データ集約型保険と行動ベース保険の事例について,住民の意見を求めた。 主な成果は以下のとおりである。 まず、調査の回答者が保険の慣行が不公平だと判断した場合、その慣行も容認できないと判断する。 第二に、回答者は我々が不公平だと説明した現代の保険制度のほとんどすべてを見いだしている。 第3に、プレミアムに影響を与えることができるならば、回答者はプラクティスを公平に見ることができます。 例えば、回答者は自動車トラッカーによる行動ベースの自動車保険を比較的公平に見る。 第4に、ある消費者特性を用いていない場合、保険業者がその特性に基づいてプレミアムを計算した場合、回答者は不公平であると判断する。 第5に、保険業者が特定のグループにのみ保険商品を提供する場合、特に家族の医師に自動車保険を提供する場合、回答者は不公平である。 回答者の6分の1は、保険の慣行が貧しい人々にとって高い価格に繋がった場合、不公平だと考えている。 我々はその発見の政策的含意を反映する。

関連論文リスト

• Classification problem in liability insurance using machine learning models: a comparative study [0.0]
  我々は、負債保険政策を2つのグループに分類するために、いくつかの機械学習モデルを適用している。 本研究では,クアズビニが使用したActuarial Challengeデータセットに対して,近接近傍やロジスティック回帰などの機械学習モデルを適用した。
  論文  参考訳（メタデータ） (2024-11-01T04:35:39Z)
• A Bayesian Approach for Prioritising Driving Behaviour Investigations in Telematic Auto Insurance Policies [0.6249768559720121]
  旅行用GPSと加速度計データを地理空間情報で拡張し,配送用不完全な分類器をトリップ単位で訓練する。 後続確率は優先順位スコアに変換され、手動による調査において最も価値のある候補を選択するために使用された。 この手法は、手動検索と比較して人的資源配分の効率を大幅に改善した。
  論文  参考訳（メタデータ） (2024-04-22T15:26:24Z)
• Harnessing GPT-4V(ision) for Insurance: A Preliminary Exploration [51.36387171207314]
  保険には、テキスト、画像、ビデオなど、その運用プロセスにおけるさまざまなデータフォームが含まれる。 GPT-4Vは、保険関連のタスクにおいて顕著な能力を示し、マルチモーダルコンテンツの堅牢な理解を示す。 しかし、GPT-4Vは、詳細なリスク評価と損失評価に苦慮し、画像理解における幻覚に悩まされ、異なる言語に対する可変サポートを示す。
  論文  参考訳（メタデータ） (2024-04-15T11:45:30Z)
• AI, insurance, discrimination and unfair differentiation. An overview and research agenda [0.6144680854063939]
  保険会社は人工知能(AI)によって実現された2つのトレンドに魅了されているようだ まず、保険会社はAIを使って、より正確にリスクを評価するために、より新しいタイプのデータを分析することができる。 第二に、保険会社はAIを使用して、個々の消費者の行動をリアルタイムで監視することができる。 この2つの傾向は多くの利点をもたらすが、社会に差別的影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2024-01-22T12:39:36Z)
• Can Telematics Improve Driving Style? The Use of Behavioural Data in Motor Insurance [0.13194391758295113]
  自動車保険は、テレマティクスデータを使用して、個々の運転スタイルを理解し、革新的なコーチング戦略を実装することができる。 その目的は、運転スタイルの改善を促進することである。 この改善の前提条件は、ドライバーがデジタルエンゲージメント、すなわちアプリと対話することである。
  論文  参考訳（メタデータ） (2023-09-06T08:00:51Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• Incentive-Theoretic Bayesian Inference for Collaborative Science [59.15962177829337]
  未知のパラメータについて、プライベートな先行エージェントが存在する場合の仮説テストについて検討する。 エージェントの戦略行動によって明らかにされる情報を活用する統計的推論を行う方法を示す。
  論文  参考訳（メタデータ） (2023-07-07T17:59:01Z)
• Evaluating COVID-19 vaccine allocation policies using Bayesian $m$-top exploration [53.122045119395594]
  マルチアーム・バンディット・フレームワークを用いてワクチンのアロケーション戦略を評価する新しい手法を提案する。 $m$-top Exploringにより、アルゴリズムは最高のユーティリティを期待する$m$ポリシーを学ぶことができる。 ベルギーのCOVID-19流行を個人モデルSTRIDEを用いて検討し、予防接種方針のセットを学習する。
  論文  参考訳（メタデータ） (2023-01-30T12:22:30Z)
• A Data Science Approach to Risk Assessment for Automobile Insurance Policies [1.0660480034605242]
  データサイエンスアプローチによるリスクアセスメントに重点を置いている。 当社は、現在および過去のポリシーの履歴データを用いて、新規顧客によってなされる総請求額を予測する。
  論文  参考訳（メタデータ） (2022-09-06T18:32:27Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• Post-Contextual-Bandit Inference [57.88785630755165]
  コンテキストバンディットアルゴリズムは、電子商取引、医療、政策立案における非適応的なA/Bテストを置き換える傾向にある。 研究参加者の成果を改善することもでき、良い方針や最良の政策を特定できる可能性を高めることもできる。 研究の終盤における新規介入の信頼性推論を支援するため, 平均治療効果, サブグループ効果, あるいは新政策の価値について, 有効な信頼区間を構築したい。
  論文  参考訳（メタデータ） (2021-06-01T12:01:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。