Exposing Algorithmic Discrimination and Its Consequences in Modern Society: Insights from a Scoping Study

算法性歧视是指基于种族、种族、性别、性取向、宗教、年龄、残疾或其他个人特征等属性，数据驱动的软件不公正地对待用户的情况。随着机器学习的普及，现在在多种情境下越来越多地报告了算法性歧视的案例。本研究深入探讨了多年来发表的各种研究报告算法性歧视的情况。我们旨在通过讨论问题的关键特征，支持软件工程研究人员和从业人员解决这个问题。

算法歧视是一个越来越普遍的问题，会在数据驱动的软件中不公平地对待用户，本文旨在探讨这个问题并支持软件工程研究人员和实践者解决这个问题。

本文提出了一种算法歧视的分类方式，并探讨了解决算法歧视的方法，包括数据集的选择和预处理、算法的调整和评估等。

本文通过实验验证了算法歧视的存在，并提出了一些解决算法歧视的方法，包括使用公平的数据集、调整算法参数、使用预处理技术等。此外，本文还提供了一个用于评估算法歧视的框架，并开源了相关代码。

最近的相关研究包括《机器学习的公平性：对现有方法的回顾和评估》、《算法歧视的探究：从数据到算法》等。