論文の概要: From Awareness to Action: Understanding and Overcoming the Research-Practice Gap in Algorithmic Fairness for Public Health
- arxiv url: http://arxiv.org/abs/2606.11214v1
- Date: Sat, 02 May 2026 10:00:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 07:09:36.841598
- Title: From Awareness to Action: Understanding and Overcoming the Research-Practice Gap in Algorithmic Fairness for Public Health
- Title（参考訳）: 意識から行動へ:公衆衛生のためのアルゴリズムフェアネスにおける研究実践ギャップの理解と克服
- Authors: Sara Altamirano, Tijs Portegies, Sennay Ghebreab,
- Abstract要約: アルゴリズムフェアネスは責任あるML主導の公衆衛生研究に不可欠であるが、その実践的実装は限られている。
我々は,専門家インタビュー,オンライン調査,システマティックマッピングを含む連続的な混合手法の研究を行う。
分析の結果、フェアネスは制度的に弱いままであり、翻訳機構は外部駆動であり、システムレベルの優先順位はフェアネスよりも精度を重視し続けている。
- 参考スコア（独自算出の注目度）: 3.4137115855910767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Algorithmic fairness is essential for responsible ML-driven public health research, yet its practical implementation remains limited. To investigate this awareness-action gap, we conducted a sequential mixed-methods study comprising expert interviews, an online survey, and systematic mapping. The expert interviews informed the design of the survey, which in turn revealed fragmented definitions of fairness, limited training and guidance, reliance on external sources, and rare use of formal assessment, mitigation, or monitoring. These findings were subsequently mapped onto three established research-practice gap lenses: the Knowledge-Practice Gap, the Knowledge-to-Action Cycle, and the Knowing-Doing Gap, each offering complementary perspectives. Building on this synthesis, we introduce the Fairness-to-Action framework, which integrates methodological, organizational, and systemic dimensions to identify where translation of algorithmic fairness knowledge stalls. Our analysis shows that fairness remains weakly institutionalized, translation mechanisms are externally driven, and system-level priorities continue to emphasize accuracy over fairness. These insights suggest critical leverage points for advancing safe, fair, and ethical ML-driven public health research practice.
- Abstract（参考訳）: アルゴリズムフェアネスは責任あるML主導の公衆衛生研究に不可欠であるが、その実践的実装は限られている。
この意識と行動のギャップを調査するために,専門家インタビュー,オンライン調査,システマティックマッピングを含む連続的な混合手法による調査を行った。
専門家のインタビューは調査の設計に通知し、公正さ、限られたトレーニングとガイダンス、外部ソースへの依存、公式な評価、緩和、監視の希少な使用を明らかにした。
これらの知見はその後、知識・実践ギャップ、知識・行動サイクル、知識・行動ギャップの3つの確立された研究実践ギャップレンズにマッピングされ、それぞれが補完的な視点を提供する。
この合成に基づいて、アルゴリズムフェアネス知識の翻訳が行き詰まる場所を特定するために、方法論的、組織的、体系的な次元を統合したフェアネス・ツー・アクション・フレームワークを導入する。
分析の結果、フェアネスは制度的に弱いままであり、翻訳機構は外部駆動であり、システムレベルの優先順位はフェアネスよりも精度を重視し続けている。
これらの知見は、安全、公正、倫理的なML主導の公衆衛生研究を推進するための重要なレバレッジポイントを示唆している。
関連論文リスト
- Trade-offs Between Individual and Group Fairness in Machine Learning: A Comprehensive Review [0.0]
グループフェアネス(GF)は人口サブ人口間の格差を緩和することに焦点を当て、個人フェアネス(IF)は類似した個人の一貫した扱いを強調している。
本研究は、GFとIFを共同で扱う手法について検討し、両視点を統一されたフレームワークに統合する。
本稿では,ハイブリッドフェアネスアプローチの体系的かつ批判的なレビューを行い,採用するフェアネスメカニズムと,複数のフェアネス基準の調整に使用されるアルゴリズム的および数学的戦略に基づいて既存の手法を整理する。
論文 参考訳（メタデータ） (2026-01-23T19:25:38Z) - Responsible Evaluation of AI for Mental Health [72.85175110624736]
メンタルヘルスケアにおけるAIツールの評価に対する現在のアプローチは、断片化されており、臨床実践、社会的コンテキスト、ファーストハンドのユーザエクスペリエンスと不整合である。
本稿では,臨床の健全性,社会的文脈,公平性を統合した学際的枠組みを導入することにより,責任ある評価を再考する。
論文 参考訳（メタデータ） (2026-01-20T12:55:10Z) - Machine Learning and Public Health: Identifying and Mitigating Algorithmic Bias through a Systematic Review [3.4137115855910767]
機械学習(ML)におけるアルゴリズムバイアスは、既存の健康格差を必然的に補強する可能性がある。
本稿では,2021年から2025年までのオランダの公衆衛生ML研究において,アルゴリズムバイアスの同定,議論,報告に関する体系的な文献レビューを行う。
論文 参考訳（メタデータ） (2025-10-16T13:24:11Z) - Partial Identification Approach to Counterfactual Fairness Assessment [50.88100567472179]
未知の対実的公正度尺度を高い信頼性で有界化するためのベイズ的アプローチを導入する。
以上の結果から、人種をアフリカ系アメリカ人に転換する際のCompASスコアに対する肯定的な(不快な)効果と、若年から高齢に移行する際の否定的な(直接的な因果関係)効果が明らかとなった。
論文 参考訳（メタデータ） (2025-09-30T18:35:08Z) - Fairness in Federated Learning: Fairness for Whom? [4.276697874428501]
既存のアプローチでは、FLライフサイクル全体を通してどのように害が発生するかを見極めながら、狭いシステムレベルのメトリクスを最適化する傾向があります。
1) サーバクライアントアーキテクチャのレンズを通してのみフレーム化された公正性,2) シミュレーションとユースケースとコンテキストのモチベーションのミスマッチ,3) ユーザ保護でシステムを保護するための定義,4) 上流および下流効果でライフサイクルの孤立したステージをターゲットにした介入,5) 複数のフェアネス定義が一度に関連付けられるマルチステークホルダアライメントの欠如。
論文 参考訳（メタデータ） (2025-05-27T10:41:19Z) - Understanding Fairness in Recommender Systems: A Healthcare Perspective [0.18416014644193066]
本稿では,医療レコメンデーションにおける公正に対する一般の理解について考察する。
参加者は4つのフェアネス指標から選択した。
その結果, 公平性に対する一大アプローチが不十分である可能性が示唆された。
論文 参考訳（メタデータ） (2024-09-05T19:59:42Z) - Privacy for Fairness: Information Obfuscation for Fair Representation
Learning with Local Differential Privacy [26.307780067808565]
本研究では,プライバシと公正性の相互作用を包括的に検証するための理論的枠組みを提案する。
公平な表現学習のための情報ボトルネック(IB)に基づく情報難読化手法(LDP)を開発し,解析する。
MLにおける公平性に関する実証的研究とは対照的に,符号化過程における LDP のランダム化は,学習された表現の公平性を高めることができることを示す。
論文 参考訳（メタデータ） (2024-02-16T06:35:10Z) - Exploring Federated Unlearning: Review, Comparison, and Insights [101.64910079905566]
フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。
本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。
フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-30T01:34:33Z) - 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) - Fair Machine Learning in Healthcare: A Review [90.22219142430146]
我々は、機械学習と医療格差における公正性の交差を分析する。
機械学習の観点から、関連する公正度メトリクスを批判的にレビューする。
本稿では,医療における倫理的かつ公平なMLアプリケーション開発を約束する新たな研究指針を提案する。
論文 参考訳（メタデータ） (2022-06-29T04:32:10Z) - Uncertainty as a Form of Transparency: Measuring, Communicating, and
Using Uncertainty [66.17147341354577]
我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。
モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。
この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
論文 参考訳（メタデータ） (2020-11-15T17:26:14Z)
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。