論文の概要: Algorithmic Bias from the Perspectives of Healthcare Professionals

• arxiv url: http://arxiv.org/abs/2610.38006v1
• Date: Tue, 27 Oct 2026 21:57:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.919054
• Title: Algorithmic Bias from the Perspectives of Healthcare Professionals
• Title（参考訳）: 医療専門家から見たアルゴリズムバイアス
• Abstract要約: 本稿では、医療情報システムにおける機械学習と人工知能応用のアルゴリズムバイアスに焦点を当てる。 本研究は、アルゴリズムバイアス、知覚公正性、およびMLアルゴリズムの受容と採用を意図した結果と、アルゴリズムが生成した結果との関係に関する知見を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper focuses on algorithmic bias of machine learning and artificial intelligence applications in healthcare information systems. Based on the quantitative data and qualitative comments from a survey and interviews with healthcare professionals, who have different job roles (e.g., clinical vs. administrative), this study provides findings about the relationships between algorithmic bias, perceived fairness, and the intended acceptance and adoption of ML algorithms and algorithm generated outcomes. The results suggest that the opinions of healthcare professionals toward the causes of algorithmic bias, the criteria of algorithm assessment, the perceived fairness, and bias mitigation approaches may vary depending on their job roles, perspectives, tasks, and the algorithm characteristics. More research is needed to investigate algorithmic bias to ensure fairness and equality in healthcare.
• Abstract（参考訳）: 本稿では、医療情報システムにおける機械学習と人工知能応用のアルゴリズムバイアスに焦点を当てる。 本研究は, アルゴリズムバイアス, 知覚公正性, MLアルゴリズムの受容と採用の意図と, アルゴリズムが生み出す結果との関係について, 異なる職種(例えば, 臨床と行政)を持つ医療従事者への質問紙と質的コメントに基づいて検討した。 その結果, アルゴリズムバイアスの原因, アルゴリズム評価基準, 認識公正性, バイアス緩和アプローチに対する医療専門家の意見は, 役割, 視点, 課題, アルゴリズム特性によって異なる可能性が示唆された。 医療における公平性と平等を確保するために、アルゴリズムバイアスを調査するためには、さらなる研究が必要である。

関連論文リスト

• 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)
• Whither Bias Goes, I Will Go: An Integrative, Systematic Review of Algorithmic Bias Mitigation [1.0470286407954037]
  機械学習(ML)モデルは不平等をバイアスし、持続し、悪化させる可能性があるという懸念が高まっている。 本稿では,MLアセスメントを開発し,バイアス軽減手法を適用した4段階モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-21T02:32:14Z)
• A Gold Standard Dataset for the Reviewer Assignment Problem [70.45113777449373]
  類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。 既存のアルゴリズムを比較し、より良いアルゴリズムを開発する上で重要な課題は、公開された金標準データの欠如である。 研究コミュニティにリリースした類似度スコアの新しいデータセットを収集します。
  論文  参考訳（メタデータ） (2023-03-23T16:15:03Z)
• Human-Centric Multimodal Machine Learning: Recent Advances and Testbed on AI-based Recruitment [66.91538273487379]
  人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。 i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。 異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
  論文  参考訳（メタデータ） (2023-02-13T16:44:44Z)
• Addressing Fairness Issues in Deep Learning-Based Medical Image Analysis: A Systematic Review [27.949773485090592]
  本稿では,グループフェアネスの基礎を紹介し,フェアネス評価と不公平軽減の2つに分類する。 我々の調査は、公正なMedIAと医療システムを確立する上での既存の課題と機会に関する議論から締めくくっている。
  論文  参考訳（メタデータ） (2022-09-27T06:29:18Z)
• 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)
• Anatomizing Bias in Facial Analysis [86.79402670904338]
  既存の顔分析システムでは、特定の集団群に対して偏りのある結果が得られることが示されている。 これらのシステムは、個人の性別、アイデンティティ、肌のトーンに基づいて差別されないようにすることが義務づけられている。 これはAIシステムにおけるバイアスの識別と緩和の研究につながった。
  論文  参考訳（メタデータ） (2021-12-13T09:51:13Z)
• Algorithm Fairness in AI for Medicine and Healthcare [4.626801344708786]
  アルゴリズムの公平性は 公平なケアを提供する上で 難しい問題です 人種のサブ人口にまたがるAIモデルの最近の評価では、患者の診断、治療、医療費の請求などにおいて、大きな不平等が明らかになっている。
  論文  参考訳（メタデータ） (2021-10-01T18:18:13Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• Towards causal benchmarking of bias in face analysis algorithms [54.19499274513654]
  顔分析アルゴリズムのアルゴリズムバイアスを測定する実験手法を開発した。 提案手法は,一致したサンプル画像の合成トランスクター'を生成することに基づく。 性別分類アルゴリズムの偏見を従来の観察法を用いて分析することにより,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-07-13T17:10:34Z)

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。