ترجمه :

فراتر از انصاف: الگوریتم های جبرانی برای رسیدگی به بی عدالتی های تاریخی تبعیض مسکن در ایالات متحده

تصویر

اعضای پروژه

وونیونگ

بنابراین

کاترین

دیگنازیو

روش نامزدی

اقتصاد، مالی، سیاست

علوم شهری

منطقه اقدام

انجمن

مسکن

اولویت استراتژیک

دستیابی به عدالت نژادی

بستن شکاف ثروت

انصاف در یادگیری ماشینی (ML) بیشتر بر روی بازجویی از عادلانه بودن یک نقطه تصمیم خاص با فرضیاتی متمرکز شده است که افراد نشان داده شده در داده ها در طول تاریخ به طور منصفانه رفتار شده اند. با این حال، اگر چنین مفروضاتی معتبر نباشند، در نهایت نمی توان به انصاف دست یافت. این مورد در مورد تبعیض وام های رهنی در ایالات متحده است، که باید به طور انتقادی به عنوان نتیجه بی عدالتی های انباشته شده تاریخی درک شود که از طریق سیاست های عمومی و شیوه های خصوصی از جمله خط قرمز کردن، میثاق های نژادی، منطقه بندی استثنایی، و گنجاندن غارتگرانه و سایر موارد اعمال شده است. با مفروضات نادرست انصاف تاریخی در ML، وام گیرندگان سیاه پوست با درآمد کم و ثروت کم به عنوان یک شرط معین در الگوریتم وام در نظر گرفته می شوند، بنابراین رد وام به آنها تصمیمی “منصفانه” تلقی می شود، حتی اگر وام گیرندگان سیاه پوست از لحاظ تاریخی از آن مستثنی شده باشند. مالکیت خانه و ایجاد ثروت برای تأکید بر چنین موضوعاتی، ما مطالعات موردی را با استفاده از داده‌های وام‌های رهنی معاصر و همچنین داده‌های سرشماری تاریخی در ایالات متحده معرفی می‌کنیم. اول، نشان می‌دهیم که تبعیض تاریخی مسکن، ثروت پایه هر گروه نژادی را متمایز کرده است که ورودی حیاتی برای تعیین الگوریتمی وام‌های رهنی است. مطالعه موردی دوم هزینه غرامت مسکن را در زمینه وام‌دهی الگوریتمی برای جبران آسیب‌های تاریخی به دلیل چنین سیاست‌های تبعیض‌آمیز مسکن برآورد می‌کند. از طریق این مطالعات موردی، ما تصور می کنیم که الگوریتم های جبرانی در زمینه تبعیض مسکن در ایالات متحده چگونه به نظر می رسند. این کار به پژوهش های نوظهور در مورد اینکه چگونه سیستم های الگوریتمی می توانند از طریق درگیر شدن با سیاست ها و برنامه های جبران خسارت در جبران آسیب های گذشته کمک کنند، مرتبط است.

انتشارات مرتبط

فراتر از انصاف: الگوریتم های جبرانی برای رسیدگی به بی عدالتی های تاریخی تبعیض مسکن در ایالات متحده

انصاف در یادگیری ماشینی (ML) بیشتر بر روی بازجویی از عادلانه بودن یک نقطه تصمیم خاص با فرضیاتی متمرکز شده است که افراد نشان داده شده در داده ها در طول تاریخ به طور منصفانه رفتار شده اند. با این حال، اگر چنین مفروضاتی معتبر نباشند، در نهایت نمی توان به انصاف دست یافت. این مورد در مورد تبعیض وام های رهنی در ایالات متحده است، که باید به طور انتقادی به عنوان نتیجه بی عدالتی های انباشته شده تاریخی درک شود که از طریق سیاست های عمومی و شیوه های خصوصی از جمله خط قرمز کردن، میثاق های نژادی، منطقه بندی استثنایی، و گنجاندن غارتگرانه و سایر موارد اعمال شده است. با مفروضات نادرست انصاف تاریخی در ML، وام گیرندگان سیاه پوست با درآمد کم و ثروت کم به عنوان یک شرط معین در الگوریتم وام در نظر گرفته می شوند، بنابراین رد وام به آنها تصمیمی “منصفانه” تلقی می شود، حتی اگر وام گیرندگان سیاه پوست از لحاظ تاریخی از آن مستثنی شده باشند. مالکیت خانه و ایجاد ثروت برای تأکید بر چنین موضوعاتی، ما مطالعات موردی را با استفاده از داده‌های وام‌های رهنی معاصر و همچنین داده‌های سرشماری تاریخی در ایالات متحده معرفی می‌کنیم. اول، نشان می‌دهیم که تبعیض تاریخی مسکن، ثروت پایه هر گروه نژادی را متمایز کرده است که ورودی حیاتی برای تعیین الگوریتمی وام‌های رهنی است. مطالعه موردی دوم هزینه غرامت مسکن را در زمینه وام‌دهی الگوریتمی برای جبران آسیب‌های تاریخی به دلیل چنین سیاست‌های تبعیض‌آمیز مسکن برآورد می‌کند. از طریق این مطالعات موردی، ما تصور می کنیم که الگوریتم های جبرانی در زمینه تبعیض مسکن در ایالات متحده چگونه به نظر می رسند. این کار به پژوهش های نوظهور در مورد اینکه چگونه سیستم های الگوریتمی می توانند از طریق درگیر شدن با سیاست ها و برنامه های جبران خسارت در جبران آسیب های گذشته کمک کنند، مرتبط است.

https://facctconference.org/static/pdfs_2022/facct22-80.pdf

[ad_2]

منابع:
۱- igupa.ir ,Beyond Fairness: Reparative Algorithms to Address Historical Injustices of Housing Discrimination in the US ,2023-06-24 23:40:03
۲- https://dusp.mit.edu/projects/beyond-fairness-reparative-algorithms-address-historical-injustices-housing-discrimination?rand=3857