Bias Explained: Pushing Algorithmic Fairness with Models and Experiments

Bias forklaret: Øget algoritmisk retfærdighed via modeller og eksperimenter
Algoritmer til rangordning af videnskabelig information har et problem: de benytter sig af citationer, der er påvirket af menneskelig bias. Derfor er deres output også biased, hvilket fører til ulighed og potentiel diskrimination. Projektet vil forsøge at afdække de matematiske biasmekanismer, der kan føre til vidt forskellige citationsindekser for samme kvalitet i udgangspunktet, og bruge dem til at skabe fair algoritmer. Bevillingen gør det muligt at ansætte en ph.d.-studerende og to postdocs.