إدارة المشاريع الرشيقة

Algorithmic bias mitigation techniques are categorized into three main stages relative to the model training process. Pre-processing methods modify the training data itself (e.g., reweighing, resampling). In-processing methods incorporate fairness constraints directly into the model's learning algorithm. Post-processing methods adjust the model's predictions after they have been made to improve fairness.

Algorithmic confounding occurs when a proxy variable used by an algorithm is correlated with a protected attribute (like race or gender) and also with the outcome of interest. The algorithm may inadvertently learn to discriminate based on the protected attribute by using the proxy, even if the protected attribute itself is explicitly excluded from the model's input data.

Signal detection is the process of identifying potential causal relationships between a drug and an adverse event from large datasets, typically spontaneous reporting systems. It uses statistical methods, known as disproportionality analysis, to find drug-event combinations reported more frequently than expected. A common measure is the Reporting Odds Ratio (ROR), a value greater than one suggesting a potential signal that requires further investigation.

قام جاكوب نيلسن، وهو مستشار بارز في مجال قابلية الاستخدام في تصميم واجهة المستخدم والويب بشكل أساسي، بتعريف قابلية الاستخدام من خلال خمسة مكونات نوعية: قابلية التعلم (ما مدى سهولة قيام المستخدمين بإنجاز المهام الأساسية في المرة الأولى؟)، والكفاءة (ما مدى السرعة التي يمكنهم بها أداء المهام بمجرد تعلمها؟)، والقدرة على التذكر (هل يمكن للمستخدمين استعادة الكفاءة بعد فترة من عدم استخدامها؟)، والأخطاء (كم عدد الأخطاء التي يرتكبها المستخدمون؟)، والرضا (ما مدى متعة الاستخدام؟).

يُعرّف المعيار الدولي ISO 9241-11 قابلية الاستخدام بأنها "مدى إمكانية استخدام منتج ما من قِبل مستخدمين محددين لتحقيق أهداف محددة بفعالية وكفاءة ورضا في سياق استخدام محدد". يوفر هذا التعريف إطارًا لقياس قابلية الاستخدام من خلال تقسيمها إلى ثلاثة مكونات مميزة وقابلة للقياس، متجاوزًا بذلك التقييمات الذاتية البحتة.

In fair machine learning, impossibility theorems demonstrate that it is mathematically impossible for an algorithm to satisfy multiple, seemingly intuitive fairness criteria simultaneously, except in trivial cases. For example, an algorithm cannot generally satisfy both demographic parity (equal positive rates across groups) and equalized odds (equal true positive and false positive rates across groups) if the base rates differ between groups.