論文の概要: Fairness Hazard Analysis for Socio-Technical Processes: A Multiple-Case Study in Bias-sensitive Organisational Settings

• arxiv url: http://arxiv.org/abs/2608.22978v1
• Date: Mon, 24 Aug 2026 08:37:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.997416
• Title: Fairness Hazard Analysis for Socio-Technical Processes: A Multiple-Case Study in Bias-sensitive Organisational Settings
• Title（参考訳）: 社会技術プロセスのフェアネスハザード分析:バイアス感受性組織設定におけるマルチケーススタディ
• Abstract要約: フェアネスは社会技術プロセスにおける第一級の要件として認識されている。 放置された場合、公正性障害が蓄積され、システムバイアスが強化される可能性がある。 本稿では,要求工学における公平性を考慮した構造的かつ実証的な方法論を提案する。
• 参考スコア（独自算出の注目度）: 7.448292619884597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness is increasingly recognised as a first-class requirement in socio-technical processes, where interactions among human actors, software systems, and AI technologies may lead to unfair outcomes in decision-making workflows. If left unaddressed, fairness hazards may accumulate and reinforce systemic bias, highlighting the need to engineer fairness proactively. Despite growing interest in fairness-aware systems, systematic methods for identifying fairness hazards in socio-technical processes and deriving requirements-level mitigations remain limited. To support fairness-by-design during requirements engineering (RE), Fairness Hazard Analysis (FHA) is introduced as a methodology for systematically identifying, analysing, and mitigating fairness hazards. FHA is first assessed through a proof-of-concept validation conducted via two focus groups. Then, a qualitative multiple-case study involving two organisations examines its applicability in real-world settings. The proof-of-concept validation highlighted the benefits derived from the structured nature of the method, and suggested the need to include iterative, dialogic reflection with domain experts. In the multiple case-study where FHA was applied, the practitioners involved were positively impressed by the results and confirmed the relevance of the identified fairness hazards (spanning up to 27% of the process elements), as well as the appropriateness of most of the proposed mitigations, while noting that contextual factors might hinder their implementation. The evaluation also highlighted mitigation patterns, such as independent review and collective decision-making, which can be transferred to different organisations. This paper contributes a structured and empirically validated methodology for integrating fairness considerations in RE and preventing systemic bias in socio-technical processes.
• Abstract（参考訳）: フェアネスは、人間のアクター、ソフトウェアシステム、AI技術間の相互作用が意思決定のワークフローにおいて不公平な結果をもたらす可能性がある社会技術プロセスにおける第一級の要件として、ますます認識されている。 放置されている場合、フェアネスハザードは蓄積され、システムバイアスを強化し、積極的にフェアネスを工学する必要性を強調します。 公正を意識したシステムへの関心が高まっているにもかかわらず、社会技術プロセスにおける公正性ハザードを特定し、要求レベルの緩和を導出するための体系的手法は依然として限られている。 要求工学(RE)におけるフェアネス・バイ・デザインを支援するため、フェアネス・ハザード・アナリティクス(FHA)は、フェアネス・ハザードを体系的に識別し、分析し、緩和するための方法論として導入された。 FHAはまず、2つのフォーカスグループを通して行われる概念実証を通じて評価される。 次に、2つの組織が関わる質的な多重ケーススタディは、現実の環境での適用性を調べます。 概念実証は、手法の構造的性質に由来する利点を強調し、ドメインの専門家との反復的対話的リフレクションを含める必要性を示唆した。 FHAを適用した複数のケーススタディにおいて、関係した実践者は、結果に肯定的に感銘を受け、特定された公正性ハザード(プロセス要素の最大27%)と、提案された軽減策の妥当性を確認した。 評価では、独立したレビューや集団意思決定など、さまざまな組織に移行可能な緩和パターンも強調された。 本稿では,REにおける公平性を考慮し,社会技術プロセスにおけるシステムバイアスを防止するための構造的かつ実証的な方法論を提案する。

関連論文リスト

• Bridging Formal and Perceived Fairness: Development of an Interdisciplinary Framework in Algorithmic Decision-Making [4.0890152430062185]
  本稿では,コンピュータサイエンスのアプローチを規範的,社会科学のフェアネスのアプローチで形式的アルゴリズムフェアネスにブリッジする作業中の概念的枠組みを提案する。 本研究の目的は,計算公正度監査とユーザ中心評価を統合する評価手法を提供することである。
  論文  参考訳（メタデータ） (2026-09-03T13:45:42Z)
• From Awareness to Action: Understanding and Overcoming the Research-Practice Gap in Algorithmic Fairness for Public Health [3.4137115855910767]
  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。
  論文  参考訳（メタデータ） (2026-05-02T10:00:21Z)
• 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)
• Reliable and Reproducible Demographic Inference for Fairness in Face Analysis [63.46525489354455]
  本稿では、従来のエンドツーエンドトレーニングをモジュラートランスファー学習アプローチで置き換える、完全に再現可能なDAIパイプラインを提案する。 このパイプラインは、正確性、公正性、そしてアイデンティティ内整合性によって定義される、新たに導入された堅牢性の概念の3つの次元にわたって監査する。 以上の結果から,提案手法は特に民族性において,強い基準線を上回り,その特性はより困難であることが示唆された。
  論文  参考訳（メタデータ） (2025-10-23T12:22:02Z)
• FaithCoT-Bench: Benchmarking Instance-Level Faithfulness of Chain-of-Thought Reasoning [62.452350134196934]
  FaithCoT-Benchは、インスタンスレベルのCoT不信検出のための統一ベンチマークである。 我々の枠組みは差別的な決定問題として不誠実検出を定式化している。 FaithCoT-Bench は LLM のより解釈可能で信頼性の高い推論に向けた将来の研究の基盤となる。
  論文  参考訳（メタデータ） (2025-10-05T05:16:54Z)
• 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)
• Justified Evidence Collection for Argument-based AI Fairness Assurance [7.65321625950609]
  本稿では,2段階の議論に基づく保証に対する動的アプローチを運用するために,ソフトウェアツールがサポートするシステムエンジニアリング駆動フレームワークを提案する。 フレームワークの有効性は、フェアネスに関連する議論を支援することに焦点を当てた、金融における実証的なケーススタディによって実証される。
  論文  参考訳（メタデータ） (2025-05-12T21:05:33Z)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• Contextual Fairness-Aware Practices in ML: A Cost-Effective Empirical Evaluation [48.943054662940916]
  フェアネス・アウェアの実践を文脈的・費用対効果という2つの観点から検討する。 本研究は,文脈が公正な実践の有効性にどのように影響するかを考察する。 本研究の目的は,SE実践者に対して,最小パフォーマンスコストで公正性を実現するプラクティスの選択を指導することである。
  論文  参考訳（メタデータ） (2025-03-19T18:10:21Z)
• Causality-Aided Trade-off Analysis for Machine Learning Fairness [11.149507394656709]
  本稿では,機械学習パイプラインにおける公平度パラメータと他の重要な指標とのトレードオフを解析するための原理的手法として因果解析を用いる。 本稿では、正確な因果発見を容易にするためのドメイン固有最適化と、確立された因果推論手法に基づくトレードオフ解析のための統一されたインターフェースを提案する。
  論文  参考訳（メタデータ） (2023-05-22T14:14:43Z)
• 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)
• Towards a multi-stakeholder value-based assessment framework for algorithmic systems [76.79703106646967]
  我々は、価値間の近さと緊張を可視化する価値に基づくアセスメントフレームワークを開発する。 我々は、幅広い利害関係者に評価と検討のプロセスを開放しつつ、それらの運用方法に関するガイドラインを提示する。
  論文  参考訳（メタデータ） (2022-05-09T19:28:32Z)

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。