The Case for Globalizing Fairness: A Mixed Methods Study on Colonialism, AI, and Health in Africa

随着机器学习技术在医疗保健领域的应用越来越广泛，人们呼吁开发技术以了解和减轻这些系统可能表现出的偏见。在开发基于机器学习的健康解决方案时考虑公平性问题对于非洲具有特殊意义，因为全球南北之间已经存在不公平的权力失衡。本文旨在探讨全球卫生的公平性问题，以非洲为案例研究。我们进行了范围审查，提出了在非洲背景下考虑公平性的差异轴，并阐明了它们可能在不同的机器学习医疗模式中发挥作用。然后，我们进行了定性研究，与672名普通民众和28名专家进行了访谈，这些专家主要关注非洲的机器学习、健康和政策，以获得关于提出的差异轴的证据。我们的分析以殖民主义为关注属性，探讨了人工智能、健康和殖民主义之间的相互作用。在预先确定的属性中，我们发现殖民历史、原籍国和国民收入水平是参与者认为会导致人工智能系统存在偏见的特定差异轴。然而，专家和普通民众参与者之间也存在意见分歧。虽然专家们普遍认为殖民历史对于在非洲开发和实施人工智能技术具有相关性，但大多数受访的普通民众并不认为人工智能和殖民主义之间存在直接联系。基于这些发现，我们提供了针对非洲开发公平感知的机器学习健康解决方案的实用建议。

本论文旨在探讨在医疗领域应用机器学习技术时可能出现的偏见，并提出解决方案。特别是在全球南北不平等的情况下，非洲面临着公正性考虑方面的特殊问题。

通过进行范围审查和定性研究，提出了非洲背景下考虑公正性的不平等轴线，并探讨了人工智能、健康和殖民主义之间的相互作用。该研究发现，殖民史、来源国和国家收入水平是导致人工智能系统偏见的具体不平等轴线。

该研究通过定性研究和范围审查，提出了非洲背景下考虑公正性的不平等轴线。研究发现，殖民史、来源国和国家收入水平是导致人工智能系统偏见的具体不平等轴线。然而，专家和普通受访者之间存在分歧。专家普遍认为殖民史对于在非洲开发和实施人工智能技术具有重要意义，而大多数普通受访者则认为人工智能和殖民主义之间没有直接联系。

最近在这个领域中，还有一些相关研究，如“机器学习中的公平性：现状与未来方向”（Fairness in Machine Learning: Current State and Future Directions）和“人工智能中的公平性：调查和未来研究方向”（Fairness in Artificial Intelligence: A Survey of the Literature and Future Directions）。