Videnskab
 Science >> Videnskab >  >> Andet

Algoritmer hjælper folk med at se og rette deres skævheder, viser undersøgelse

Algoritmer kan tjene som spejle, så du kan kontrollere dine skævheder. Kredit:Unsplash/CC0 Public Domain

Algoritmer er en fast bestanddel af det moderne liv. Folk er afhængige af algoritmiske anbefalinger for at vade gennem dybe kataloger og finde de bedste film, ruter, information, produkter, mennesker og investeringer. Fordi folk træner algoritmer i deres beslutninger – for eksempel algoritmer, der giver anbefalinger om e-handel og sociale medier – lærer algoritmer og kodificerer menneskelige forudindtagethed.



Algoritmiske anbefalinger udviser skævhed over for populære valg og information, der fremkalder forargelse, såsom partipolitiske nyheder. På et samfundsniveau bevarer og forstærker algoritmiske skævheder strukturel racemæssig skævhed i retssystemet, kønsbias i de mennesker, virksomheder ansætter, og ulighed i rigdom i byudvikling.

Algoritmisk bias kan også bruges til at reducere menneskelig bias. Algoritmer kan afsløre skjulte strukturelle skævheder i organisationer. I et papir offentliggjort i Proceedings of the National Academy of Science , fandt mine kolleger og jeg ud af, at algoritmisk bias kan hjælpe folk til bedre at genkende og korrigere skævheder i sig selv.

Forspændingen i spejlet

I ni eksperimenter fik Begum Celikitutan, Romain Cadario og jeg forskningsdeltagere til at vurdere Uber-chauffører eller Airbnb-fortegnelser ud fra deres køreevner, troværdighed eller sandsynligheden for, at de ville leje boligen. Vi gav deltagerne relevante detaljer, såsom antallet af ture, de havde kørt, en beskrivelse af ejendommen eller en stjernebedømmelse. Vi inkluderede også en irrelevant oplysning:Et fotografi afslørede chaufførernes alder, køn og tiltrækningskraft eller et navn, der antydede, at værterne var hvide eller sorte.

Efter at deltagerne havde lavet deres vurderinger, viste vi dem en af ​​to vurderingsoversigter:en, der viser deres egne vurderinger, eller en, der viser vurderingerne af en algoritme, der blev trænet på deres vurderinger. Vi fortalte deltagerne om den skævhed, der kunne have påvirket disse vurderinger; for eksempel at Airbnb-gæster er mindre tilbøjelige til at leje af værter med udpræget afroamerikanske navne. Vi bad dem derefter vurdere, hvor stor indflydelse bias havde på vurderingerne i resuméerne.

Uanset om deltagerne vurderede den skæve indflydelse af race, alder, køn eller tiltrækningskraft, så de mere skævhed i vurderinger lavet af algoritmer end dem selv. Denne algoritmiske spejleffekt afspejlede, om deltagerne bedømte vurderingerne af rigtige algoritmer, eller om vi viste deltagerne deres egne vurderinger og på vildledende vis fortalte dem, at en algoritme lavede disse vurderinger.

Forfatteren beskriver, hvordan algoritmer kan være nyttige som et spejl af folks fordomme.

Deltagerne så mere bias i algoritmernes beslutninger end i deres egne beslutninger, selv når vi gav deltagerne en kontant bonus, hvis deres bias-domme matchede bedømmelsen fra en anden deltager, der så de samme beslutninger. Den algoritmiske spejleffekt holdt sig, selvom deltagerne var i den marginaliserede kategori – for eksempel ved at identificere sig som en kvinde eller som sort.

Forskningsdeltagere var lige så i stand til at se skævheder i algoritmer trænet på deres egne beslutninger, som de var i stand til at se skævheder i andre menneskers beslutninger. Deltagerne var også mere tilbøjelige til at se indflydelsen af ​​racemæssig skævhed i beslutninger af algoritmer end i deres egne beslutninger, men de var lige så tilbøjelige til at se indflydelsen af ​​forsvarlige funktioner, såsom stjernevurderinger, på beslutninger af algoritmer og på deres egne beslutninger.

Bias blind vinkel

Folk ser flere af deres skævheder i algoritmer, fordi algoritmerne fjerner folks blinde vinkler. Det er lettere at se skævheder i andres beslutninger end i dine egne, fordi du bruger forskellige beviser til at evaluere dem.

Når du undersøger dine beslutninger for bias, søger du efter beviser for bevidst bias – uanset om du tænkte på race, køn, alder, status eller andre uberettigede træk, da du besluttede dig. Du overser og undskylder bias i dine beslutninger, fordi du mangler adgang til det associative maskineri, der driver dine intuitive domme, hvor bias ofte udspiller sig. Du tænker måske:"Jeg tænkte ikke på deres race eller køn, da jeg ansatte dem. Jeg ansatte dem alene på grund af fortjeneste."

Når man undersøger andres beslutninger for bias, mangler man adgang til de processer, de brugte til at træffe beslutningerne. Så du undersøger deres beslutninger for bias, hvor bias er tydelig og sværere at undskylde. Du kan for eksempel se, at de kun hyrede hvide mænd.

Algoritmer fjerner den blinde plet, fordi du ser algoritmer mere, som om du ser andre mennesker end dig selv. Algoritmers beslutningsprocesser er en sort boks, der ligner hvordan andre menneskers tanker er utilgængelige for dig.

Den blinde plet for skævhed forklaret.

Deltagere i vores undersøgelse, som var mest tilbøjelige til at demonstrere bias blind plet, var mest tilbøjelige til at se mere bias i algoritmernes beslutninger end i deres egne beslutninger.

Folk eksternaliserer også bias i algoritmer. At se bias i algoritmer er mindre truende end at se bias i dig selv, selv når algoritmer er trænet i dine valg. Folk lægger skylden på algoritmer. Algoritmer trænes i menneskelige beslutninger, men alligevel kalder folk den reflekterede bias "algoritmisk bias."

Korrigerende linse

Vores eksperimenter viser, at folk også er mere tilbøjelige til at rette deres skævheder, når de afspejles i algoritmer. I et sidste eksperiment gav vi deltagerne en chance for at rette de vurderinger, de vurderede. Vi viste hver deltager deres egne vurderinger, som vi tilskrev enten til deltageren eller til en algoritme, der blev trænet i deres beslutninger.

Deltagerne var mere tilbøjelige til at rette vurderingerne, når de blev tilskrevet en algoritme, fordi de mente, at vurderingerne var mere partiske. Som følge heraf var de endelige korrigerede vurderinger mindre partiske, når de blev tilskrevet en algoritme.

Algoritmiske skævheder, der har skadelige virkninger, er blevet veldokumenteret. Vores resultater viser, at algoritmisk bias kan udnyttes til gode. Det første skridt til at korrigere bias er at genkende dens indflydelse og retning. Som spejle, der afslører vores fordomme, kan algoritmer forbedre vores beslutningstagning.

Journaloplysninger: Proceedings of the National Academy of Sciences

Leveret af The Conversation

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.




Varme artikler