論文の概要: Equality, Equity, and Causality in Fairness Research: A Commentary on Cheng (2026)
- arxiv url: http://arxiv.org/abs/2607.17679v1
- Date: Mon, 20 Jul 2026 08:30:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.550375
- Title: Equality, Equity, and Causality in Fairness Research: A Commentary on Cheng (2026)
- Title（参考訳）: 公正研究における平等・平等・因果性:Chengの解説(2026年)
- Abstract要約: Cheng氏は、長期間のテストフェアネスと現代的なアルゴリズムフェアネスを体系的に比較している。
テストワークフロー全体をAI/MLフェアネスパラダイムにマッピングすることは、学際的フェアネス研究にとって重要な貢献である。
この注釈書は、平等と公平の区別と公正研究における因果関係の役割という2つの概念的な問題を調べることによって、彼女の議論を拡張している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This is an invited commentary on the Psychometrika focus article "Fairness Issues and Evaluation in Psychometrics and AI/ML: What Can We Learn from Each Field?" by Ying Cheng (2026, doi:10.1017/psy.2026.10110). Cheng offers a systematic comparison between long-standing test fairness and modern algorithmic fairness. Her mapping of the entire testing workflow onto the AI/ML fairness paradigm, rather than only the final selection stage, is a crucial contribution to interdisciplinary fairness research. This commentary extends her discussion by examining two conceptual issues: the distinction between equality and equity, and the role of causality in fairness research. Together, the focus article and this commentary point to directions for future fairness research across the psychometrics and AI/ML communities.
- Abstract（参考訳）: これはYing Cheng氏(2026年、doi:1017/psy.2026.10110)の“Fairness Issues and Evaluation in Psychometrics and AI/ML: What Can We Learn from each Field?
Cheng氏は、長期間のテストフェアネスと現代的なアルゴリズムフェアネスを体系的に比較している。
テストワークフロー全体を最終選択段階だけでなく、AI/MLフェアネスパラダイムにマッピングすることは、学際的フェアネス研究にとって重要な貢献である。
この注釈書は、平等と公平の区別と公正研究における因果関係の役割という2つの概念的な問題を調べることによって、彼女の議論を拡張している。
焦点記事とこの注釈文は、心理測定とAI/MLコミュニティをまたいだ将来の公正性研究の方向性を示している。
関連論文リスト
- From Affect to Complex Behavior: Advancing Multimodal Human-Centered AI at the 10th ABAW Workshop & Competition [60.17193786245766]
ABAWコンペティションでは、感情的および行動的理解の重要な側面をターゲットにした、さまざまな課題が紹介されている。
論文のトラックでは、ポーズ、動きと行動の推定、モデリングとマルチモーダル学習、ベンチマーク、データセットと評価プロトコル、公正性、堅牢性とデプロイメントなど、幅広いコントリビューションを提示している。
論文 参考訳（メタデータ） (2026-05-24T17:44:37Z) - The Odyssey of Commonsense Causality: From Foundational Benchmarks to Cutting-Edge Reasoning [70.16523526957162]
常識の因果関係を理解することは、人々が現実世界の原理をよりよく理解するのに役立ちます。
その重要性にもかかわらず、このトピックの体系的な探索は特に欠落している。
本研究の目的は、体系的な概要の提供、最近の進歩に関する学者の更新、初心者のための実践的なガイドを提供することである。
論文 参考訳（メタデータ） (2024-06-27T16:30:50Z) - (Unfair) Norms in Fairness Research: A Meta-Analysis [6.395584220342517]
我々は,AIフェアネスと倫理に関する2つの主要なカンファレンスから,アルゴリズムフェアネス論文のメタ分析を行う。
まず、米国中心の視点が公正調査全体において支配的な傾向を示す。
第二に、公正性の研究は、人間のアイデンティティの二項結合に広く依存している。
論文 参考訳（メタデータ） (2024-06-17T17:14:47Z) - Fairness meets Cross-Domain Learning: a new perspective on Models and
Metrics [80.07271410743806]
クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。
いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。
本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
論文 参考訳（メタデータ） (2023-03-25T09:34:05Z) - Factoring the Matrix of Domination: A Critical Review and Reimagination
of Intersectionality in AI Fairness [55.037030060643126]
間欠性は、社会的不平等の持続性を調べるための重要な枠組みである。
我々は、公平性を効果的に運用するために、交差性を分析的枠組みとして採用することが重要であると論じる。
論文 参考訳（メタデータ） (2023-03-16T21:02:09Z) - 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) - What-is and How-to for Fairness in Machine Learning: A Survey,
Reflection, and Perspective [13.124434298120494]
機械学習文学においてこれまで提案されてきたフェアネスの概念を概観し,考察する。
また、現在の予測と決定によって引き起こされる長期的な影響についても検討する。
本稿では、目的を達成するために、ミッション(どんな公正を強制したいのか)と手段(どの公正分析が興味を持つのか)を一致させることの重要性を示す。
論文 参考訳（メタデータ） (2022-06-08T18:05:46Z) - Rethinking Fairness: An Interdisciplinary Survey of Critiques of
Hegemonic ML Fairness Approaches [0.0]
本稿では、機械学習(ML)における現在の公平性向上技術介入の批判を評価し、比較する。
哲学、フェミニスト研究、批判的な人種と民族研究、法学、人類学、科学と技術研究など、様々な非計算分野から派生している。
この記事は、社会における強大な力のダイナミクスと構造的不正を積極的に破壊する未来のMLフェアネス研究の方向性を想像することで締めくくっている。
論文 参考訳（メタデータ） (2022-05-06T14:27:57Z) - Who Gets What, According to Whom? An Analysis of Fairness Perceptions in
Service Allocation [2.69180747382622]
公正感の「Who」と「What」と「How」の交点における5つの新しい研究課題を実験的に検討した。
以上の結果から,少なくとも1つの理論的な視点では説明できない「Who」と「What」は,公正さの認識をどのように測定するか,あるいはアルゴリズムによる意思決定システムに統合すべきかに重要な意味を持っていることが示唆された。
論文 参考訳（メタデータ） (2021-05-10T15:31:22Z)
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。