مروری بر روش ها و چالش های کاهش سوگیری الگوریتمی در سیستم های یادگیری ماشین

رشد سریع هوش مصنوعی و یادگیری ماشین در حوزه های تصمیم گیری حساس، چالش های تازه ای را در زمینه عدالت الگوریتمی پدید آورده است. مدل های پیش بینی گر، اگرچه در ظاهر مبتنی بر داده و بی طرف اند، اما اغلب سوگیری های نهفته در داده های آموزشی را بازتولید می کنند و موجب نابرابری های ساختاری در فرآیندهای استخدام، اعتبارسنجی و ارزیابی می شوند. این مقاله با رویکرد مرور ادبیات، به تحلیل مفاهیم بنیادین عدالت الگوریتمی، معیارهای ارزیابی متداول، چالش های پیاده سازی و ملاحظات کاربردی آن می پردازد. هدف پژوهش، ارائه تصویری منسجم از وضعیت کنونی مطالعات و شناسایی خلاهای پژوهشی برای شکل گیری نظام های تصمیم یار منصفانه تر است، بدون تمرکز بر آزمون های تجربی یا توسعه مدل های عملیاتی.

کلیدواژه ها:

عدالت الگوریتمی ، سوگیری داده ها ، تصمیم گیری هوشمنده ، مرور ادبیات ، نابرابری ساختاری