Articulation Work and Tinkering for Fairness in Machine Learning

公平人工智能领域旨在通过计算建模来对抗偏见算法，但是它因持续使用过于技术化和简化方法而面临越来越多的批评。因此，该领域出现了新的方法来解决更具社会导向和跨学科（SOI）的公平人工智能视角。本文以此为出发点，研究计算机科学（CS）和SOI研究之间的紧张关系。通过运用STS和CSCW理论，我们将公平人工智能研究定位为“组织对齐”的问题：研究“可行”的关键在于成功地对齐三个工作组织层次（社会世界、实验室和实验）。通过对CS研究人员进行定性访谈，我们分析了在公平人工智能案例中进行可行研究所需的任务、资源和参与者。我们发现，CS研究人员在一定程度上与SOI进行交流，但社会世界的组织条件、表述工作和模糊性制约了SOI研究的可行性。基于我们的研究结果，我们确定并讨论了在公平人工智能不断发展的情况下，CS和SOI之间对齐的问题。

解决问题的组织对齐：计算机科学和社会取向研究之间的张力，以研究公平人工智能

通过定性访谈计算机科学研究人员，分析公平人工智能研究中所需的任务、资源和参与者，发现计算机科学研究人员在一定程度上参与了社会取向研究，但组织条件、表达工作和社会世界的不确定性限制了社会取向研究的可行性。

研究将公平人工智能研究视为“组织对齐”的问题，探讨了三个层面的工作组织（社会世界、实验室和实验）之间的协调问题。

最近的相关研究包括：《公平机器学习：现状与未来方向》、《面向公平性的机器学习：不公平性的度量和修复》等。