論文の概要: Multistakeholder Fairness in Tourism: What can Algorithms learn from Tourism Management?

• arxiv url: http://arxiv.org/abs/2508.20496v1
• Date: Thu, 28 Aug 2025 07:25:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.153609
• Title: Multistakeholder Fairness in Tourism: What can Algorithms learn from Tourism Management?
• Title（参考訳）: 観光におけるマルチテイクホルダーフェアネス : アルゴリズムは観光経営から何が学べるか?
• Authors: Peter Muellner, Anna Schreuer, Simone Kopeinik, Bernhard Wieser, Dominik Kowald,
• Abstract要約: 本研究の目的は、純粋にアルゴリズム研究の欠点を説明し、将来的な学際的なコラボレーションの必要性とニーズを強調することである。 我々は,このような共同作業が,観光における真のマルチステークホルダーフェアネスの理解と支援に向けて,アルゴリズムによる意思決定支援システムを強化するための基本的かつ必要なステップであると信じている。
• 参考スコア（独自算出の注目度）: 0.815557531820863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Algorithmic decision-support systems, i.e., recommender systems, are popular digital tools that help tourists decide which places and attractions to explore. However, algorithms often unintentionally direct tourist streams in a way that negatively affects the environment, local communities, or other stakeholders. This issue can be partly attributed to the computer science community's limited understanding of the complex relationships and trade-offs among stakeholders in the real world. In this work, we draw on the practical findings and methods from tourism management to inform research on multistakeholder fairness in algorithmic decision-support. Leveraging a semi-systematic literature review, we synthesize literature from tourism management as well as literature from computer science. Our findings suggest that tourism management actively tries to identify the specific needs of stakeholders and utilizes qualitative, inclusive and participatory methods to study fairness from a normative and holistic research perspective. In contrast, computer science lacks sufficient understanding of the stakeholder needs and primarily considers fairness through descriptive factors, such as measureable discrimination, while heavily relying on few mathematically formalized fairness criteria that fail to capture the multidimensional nature of fairness in tourism. With the results of this work, we aim to illustrate the shortcomings of purely algorithmic research and stress the potential and particular need for future interdisciplinary collaboration. We believe such a collaboration is a fundamental and necessary step to enhance algorithmic decision-support systems towards understanding and supporting true multistakeholder fairness in tourism.
• Abstract（参考訳）: アルゴリズムによる意思決定支援システム、すなわちレコメンダシステムは、観光客がどの場所やアトラクションを探索するかを決めるのに役立つ人気のあるデジタルツールである。 しかし、アルゴリズムはしばしば、環境、地域社会、その他の利害関係者に悪影響を及ぼす方法で、意図せずに観光ストリームを誘導する。 この問題は、コンピュータサイエンスコミュニティが現実世界の利害関係者間の複雑な関係とトレードオフを限定的に理解していることによるものである。 本研究では,観光経営の実践的発見と手法を参考に,アルゴリズムによる意思決定支援におけるマルチステークホルダフェアネスの研究について報告する。 半体系的な文献レビューを活用し,観光経営から文献を,コンピュータ科学から文献を合成する。 本研究は,観光経営が利害関係者のニーズを積極的に把握し,質的・包括的・参加的手法を用いて,規範的・包括的研究の観点から公正性を研究することを示唆している。 対照的に、コンピュータ科学は利害関係者のニーズに対する十分な理解を欠き、主に測定可能な差別のような記述的要因を通じて公正を考察する一方で、観光における公正の多次元的性質を捉えるのに失敗する数学的に形式化された公正性の基準をほとんど依存していない。 本研究は,純粋にアルゴリズム的な研究の欠点を説明するとともに,将来的な学際的コラボレーションの可能性,特にニーズを強調することを目的としている。 我々は,このような共同作業が,観光における真のマルチステークホルダーフェアネスの理解と支援に向けて,アルゴリズムによる意思決定支援システムを強化するための基本的かつ必要なステップであると信じている。

関連論文リスト

• Analysing and Organising Human Communications for AI Fairness-Related Decisions: Use Cases from the Public Sector [0.0]
  多様な利害関係者間のコミュニケーション問題は、AIアルゴリズムの誤解釈と誤用につながる可能性がある。 我々は,公共部門におけるアルゴリズムシステムに取り組む実践者とのインタビューを行う。 公平性に関連する人間の決定を下すコミュニケーションプロセスの鍵となる要素を同定する。
  論文  参考訳（メタデータ） (2024-03-20T14:20:42Z)
• Fairness and Bias in Algorithmic Hiring: a Multidisciplinary Survey [43.463169774689646]
  この調査は、システム、バイアス、尺度、緩和戦略、データセット、およびアルゴリズム雇用と公正性の法的側面のバランスよく統合されたカバレッジを持つ実践者や研究者を対象としている。 私たちの仕事は、現在の機会と制限を強調し、すべての利害関係者に対する共有メリットを保証するために、将来の作業に対する推奨を提供することによって、この技術のコンテキスト化された理解とガバナンスを支援します。
  論文  参考訳（メタデータ） (2023-09-25T08:04:18Z)
• Understanding the Application of Utility Theory in Robotics and Artificial Intelligence: A Survey [5.168741399695988]
  このユーティリティは、経済学、ゲーム理論、およびオペレーション研究において、ロボティクスとAI分野においても統一された概念である。 本稿では,エージェントのインタラクション間の相互関係を記述し,評価するためのユーティリティ指向の要求パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-06-15T18:55:48Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• Fairness in Recommender Systems: Research Landscape and Future Directions [119.67643184567623]
  本稿は,近年の地域におけるフェアネスの概念と概念について概観する。 この分野での研究が現在どのように行われているのかを概観する。 全体として、最近の研究成果の分析は、ある研究のギャップを示している。
  論文  参考訳（メタデータ） (2022-05-23T08:34:25Z)
• MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
  機械学習におけるマルチグループフェアネスの研究(MultiFair) この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。 提案するフレームワークは多くの異なる設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-05-24T02:30:22Z)
• Mitigating Bias in Algorithmic Systems -- A Fish-Eye View [8.19357693559909]
  この調査は4つの研究分野にわたるアプローチを考察した「魚眼の視点」を提供する。 文献では、バイアス検出、公平性管理、説明可能性管理という、包括的な治療に向けた3つのステップについて説明している。
  論文  参考訳（メタデータ） (2021-03-31T10:14:28Z)
• Fairness in Machine Learning: A Survey [0.0]
  偏見を緩和し、公平性を促進するアプローチに関する重要な文献がある。 本稿では、(社会的)バイアスを緩和し、機械学習文学における公正性を高めるための、さまざまな思考の流派とアプローチの概要について述べる。 プリプロセッシング、インプロセッシング、ポストプロセッシングといった広く受け入れられているフレームワークへのアプローチを組織化し、さらに11のメソッド領域に分類する。
  論文  参考訳（メタデータ） (2020-10-04T21:01:34Z)
• No computation without representation: Avoiding data and algorithm biases through diversity [11.12971845021808]
  学術的および専門的なコンピューティング分野における多様性の欠如と、データセットで発生するバイアスのタイプと幅の関連性を引き合いに出す。 これらの教訓を利用して、コンピューティングコミュニティが多様性を高めるための具体的なステップを提供するレコメンデーションを開発する。
  論文  参考訳（メタデータ） (2020-02-26T23:07:39Z)

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。