To which reference class do you belong? Measuring racial fairness of reference classes with normative modeling

参考类别在医疗保健中建立健康的标准，例如儿童身高和体重的生长曲线，并用于绘制与这些标准偏差的图表，这些偏差代表潜在的临床风险。参考类别的人口统计信息如何影响偏差的临床解释尚不清楚。使用规范建模，一种构建参考类别的方法，我们评估了在精神病学和神经学中广泛使用的结构性脑图像参考模型中的公平性（种族偏见）。我们测试是否在模型中包括种族可以创建更公平的模型。我们使用三个不同的参考类别规范模型的偏差分数来预测自报种族，以更好地理解综合、多变量意义上的偏见。在所有这些任务中，我们发现了不容易用现有数据或常用建模技术解决的种族不平等现象。我们的工作表明，偏差可能是由于与参考类别的人口统计信息不匹配，应谨慎赋予这些偏差临床意义。我们的方法还表明，获取更具代表性的样本是一项紧迫的研究优先事项。

本篇论文旨在使用规范建模方法评估在神经科学和精神病学中广泛使用的结构性脑图像参考模型的公平性（种族偏见），并测试在模型中包含种族信息是否会创建更公平的模型。同时，研究人员发现参考类别的人口统计学特征如何影响对偏差的临床解释。

论文提出了一种使用规范建模方法评估参考类别公平性的方法，并测试在模型中包含种族信息是否会创建更公平的模型。结果表明，偏差可能与参考类别的人口统计学特征不匹配有关，因此应谨慎地对这些偏差进行临床解释。

论文使用规范建模方法评估参考类别公平性，并测试在模型中包含种族信息是否会创建更公平的模型。结果表明存在种族不平等现象。实验使用结构性脑图像数据集，并预测自我报告的种族。作者指出，获取更具代表性的样本是一项紧迫的研究优先事项。

最近在这个领域中，还有一些相关研究。例如，标题为“Reducing racial bias in pretrial criminal justice algorithms”的论文研究了如何减少预审刑事司法算法中的种族偏见。还有一篇题为“Fairness in Criminal Justice Risk Assessments: The State of the Art”的论文研究了如何提高刑事司法风险评估的公平性。