Big Data’s Disparate Impact
| dc.contributor.author | Barocas Solon | |
| dc.contributor.author | Selbst Andrew D | |
| dc.date.accessioned | 2025-05-28T08:08:51Z | |
| dc.date.available | 2025-05-28T08:08:51Z | |
| dc.date.issued | 2016-06-01 | |
| dc.description | 데이터 마이닝과 같은 알고리즘 기법의 옹호자들은 이러한 기법이 의사결정 과정에서 인간의 편향을 제거해준다고 주장합니다. 그러나 알고리즘은 그것이 사용하는 데이터만큼만 신뢰할 수 있습니다. 데이터는 종종 불완전하며, 이로 인해 알고리즘이 과거 의사결정자의 편견을 그대로 물려받게 됩니다. 또 어떤 경우에는, 데이터가 사회 전반에 만연한 편향을 반영하기도 합니다. 다른 경우에는, 데이터 마이닝이 유용해 보이는 규칙성을 발견하지만, 그것이 실제로는 기존에 존재하던 배제와 불평등의 패턴일 수 있습니다. 데이터 마이닝에 대해 깊이 생각하지 않고 의존하게 되면, 역사적으로 불리한 위치에 있었던 집단이나 취약한 집단이 사회에 온전히 참여하는 것을 막을 수 있습니다. 더 나쁜 점은, 이러한 차별이 대부분 알고리즘을 만든 사람들의 의도적인 선택이 아니라 알고리즘 사용 과정에서 우연히 나타나는 결과라는 점에서, 문제의 근원을 파악하거나 법정에서 이를 설명하기가 특히 어렵다는 것입니다. | |
| dc.description.abstract | 머신러닝 기반 의사결정에서 나타나는 구조적 차별을 문제화한 고전적 논문이다. AI 윤리와 법제 분야에서 많이 인용되었다. | |
| dc.identifier.citation | SSRN: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2477899 | |
| dc.identifier.other | SSRN ID: 2477899 | |
| dc.identifier.uri | http://data.inu.ac.kr/handle/123456789/953 | |
| dc.language.iso | en_US | |
| dc.publisher | California Law Review | |
| dc.relation.ispartofseries | Vol. 104; No. 3 | |
| dc.subject | Algorithmic Bias | |
| dc.subject | Discrimination | |
| dc.subject | Fairness | |
| dc.subject | Legal Liability | |
| dc.subject | Machine Learning | |
| dc.title | Big Data’s Disparate Impact | |
| dc.type | Article |