アルゴリズムの交絡

アジャイルプロジェクト管理とは、プロジェクトのライフサイクル全体を通してプロジェクトを遂行するための反復的なアプローチです。大規模なプロジェクトを、短い反復作業（スプリント）で完了する、より小さく管理しやすいタスクに分割します。これにより、頻繁な再評価、計画の調整、変化への柔軟な対応が可能になります。包括的なドキュメントや厳格な計画よりも、顧客との協働、動作するソフトウェア、そして変化への対応を優先します。

アルゴリズムバイアス軽減手法は、モデルの学習プロセスに関連して、主に3つの段階に分類されます。前処理手法は、学習データ自体を修正します（例：重み付けの変更、リサンプリング）。処理中手法は、公平性の制約をモデルの学習アルゴリズムに直接組み込みます。後処理手法は、モデルの予測が行われた後に、公平性を向上させるために予測を調整します。

主にUIとWebデザインにおける著名なユーザビリティコンサルタントであるヤコブ・ニールセンは、ユーザビリティを5つの品質要素で定義しました。学習しやすさ（ユーザーが基本的なタスクを初めて実行するのにどれだけ簡単か？）、効率性（一度学習したタスクをどれだけ迅速に実行できるか？）、記憶しやすさ（ユーザーは使用していない期間の後でも熟練度を回復できるか？）、エラー（ユーザーはどれだけエラーを犯すか？）、満足度（使用していてどれだけ快適か？）。

国際規格ISO 9241-11では、ユーザビリティを「特定の使用状況において、特定のユーザーが特定の目標を効果的、効率的、かつ満足のいく形で達成するために、製品を使用できる程度」と定義しています。この定義は、ユーザビリティを3つの明確で定量化可能な要素に分解することで、純粋に主観的な評価を超え、ユーザビリティを測定するための枠組みを提供します。

公平な機械学習においては、不可能性定理によって、ごく些細な例外を除き、アルゴリズムが複数の一見直感的な公平性基準を同時に満たすことは数学的に不可能であることが示されています。例えば、グループ間で基本率が異なる場合、アルゴリズムは一般的に、人口統計学的均等性（グループ間で陽性率が等しいこと）と均等化されたオッズ（グループ間で真陽性率と偽陽性率が等しいこと）の両方を満たすことはできません。