⚠ To see the ‘Sheet paper‘ and ‘Table of associated records‘ go the bottom, Pag. 2, Pag. 3. ( 👩🎓 🖥 For online English version, on the image).
A review of the paper for research, educational and recommendations. 1.- Paper language: English.
2.- Language of the secondary text: Spanish.
Recommendation numbered, Nº: 27102019p1
PAPER
🔘 Paper page: arxiv.org/abs/1811.10104v2
Authors
Ben Hutchinson, Margaret Mitchell
Summary
Las definiciones cuantitativas de lo que es injusto y lo que es justo se han introducido en múltiples disciplinas durante más de 50 años, incluida la educación, la contratación y el aprendizaje automático. Trazamos cómo se ha definido la noción de equidad dentro de las comunidades de educación y contratación durante el último medio siglo, explorando el contexto cultural y social en el que han surgido diferentes definiciones de equidad. En algunos casos, las definiciones anteriores de equidad son similares o idénticas a las definiciones de equidad en la investigación actual sobre aprendizaje automático, y presagian el trabajo formal actual.
Conclusion
El aumento en el interés por la equidad en las pruebas en la década de 1960 surgió durante un momento de agitación social y política, con definiciones cuantitativas catalizadas en parte por la legislación federal antidiscriminación de los EE. UU. en los ámbitos de la educación y el empleo. El aumento de la imparcialidad de hoy en día ha correspondido con el interés público en el uso del aprendizaje automático en las sentencias penales y la vigilancia predictiva, incluidas las discusiones sobre los compas . Cada era dio lugar a sus propias nociones de equidad y subgrupos relevantes, con ideas superpuestas que son similares o idénticas. En los años sesenta y setenta, la fascinación por determinar la equidad finalmente desapareció a medida que el trabajo se volvía menos vinculado a lo práctico, necesidades de la sociedad, la política y la ley, y más vinculadas a la identificación inequívoca de la equidad. Concluimos reflexionando sobre qué lecciones adicionales puede tener la historia de la equidad de prueba para el futuro de la equidad de ML.