Un nouvel outil améliore l’équité des classements de recherche en ligne –

  • FrançaisFrançais



  • Lorsque vous recherchez quelque chose sur Internet, faites-vous défiler page après page de suggestions – ou choisissez-vous parmi les premiers choix?

    Parce que la plupart des gens choisissent parmi les premiers de ces listes, ils voient rarement la grande majorité des options, ce qui crée un potentiel de biais dans tout, de l’embauche à l’exposition médiatique au commerce électronique.

    Dans un nouvel article, les chercheurs de l’Université Cornell présentent un outil qu’ils ont développé pour améliorer l’équité des classements en ligne sans sacrifier leur utilité ou leur pertinence.

    “Si vous pouviez examiner tous vos choix de la même manière et ensuite décider quoi choisir, cela peut être considéré comme idéal. Mais comme nous ne pouvons pas faire cela, les classements deviennent une interface cruciale pour naviguer dans ces choix”, a déclaré Ashudeep Singh, doctorant en informatique. co-premier auteur de “Controlling Fairness and Bias in Dynamic Learning-to-Rank”, qui a remporté le prix du meilleur article à la conférence SIGIR de l’Association for Computing Machinery sur la recherche et le développement dans la recherche d’informations.

    “Par exemple, de nombreux YouTubers publieront des vidéos de la même recette, mais certains d’entre eux seront bien plus vus que d’autres, même s’ils peuvent être très similaires”, a déclaré Singh. “Et cela se produit en raison de la façon dont les résultats de recherche nous sont présentés. Nous descendons généralement le classement de manière linéaire et notre attention diminue rapidement.”

    La méthode des chercheurs, appelée FairCo, donne une exposition à peu près égale à des choix tout aussi pertinents et évite un traitement préférentiel pour les éléments qui figurent déjà en haut de la liste. Cela peut corriger l’injustice inhérente aux algorithmes existants, qui peuvent exacerber les inégalités et la polarisation politique, et restreindre le choix personnel.

    “Ce que font les systèmes de classement, c’est qu’ils attribuent l’exposition. Alors, comment pouvons-nous nous assurer que chacun reçoit sa juste part d’exposition?” a déclaré Thorsten Joachims, professeur d’informatique et de science de l’information, et auteur principal de l’article. “Ce qui constitue l’équité est probablement très différent dans, par exemple, un système de commerce électronique et un système qui classe les CV pour une offre d’emploi. Nous avons mis au point des outils de calcul qui vous permettent de spécifier des critères d’équité, ainsi que l’algorithme qui va faire preuve leur.”

    Les algorithmes recherchent les éléments les plus pertinents pour les chercheurs, mais comme la grande majorité des gens choisissent l’un des premiers éléments d’une liste, de petites différences de pertinence peuvent entraîner d’énormes écarts d’exposition. Par exemple, si 51% des lecteurs d’une publication de presse préfèrent les articles d’opinion qui faussent les conservateurs, et 49% préfèrent les essais qui sont plus libéraux, toutes les principales histoires mises en évidence sur la page d’accueil pourraient en théorie être conservatrices, selon le journal.

    “Lorsque de petites différences de pertinence conduisent à amplifier un côté, cela provoque souvent une polarisation, où certaines personnes ont tendance à dominer la conversation et d’autres opinions sont abandonnées sans leur juste part d’attention”, a déclaré Joachims. “Vous voudrez peut-être l’utiliser dans un système de commerce électronique pour vous assurer que si vous produisez un produit qui plait à 30% des gens, vous bénéficiez d’une certaine visibilité en fonction de cela. Ou si vous avez un CV base de données, vous pouvez formuler des garanties pour vous assurer qu’il n’est pas discriminatoire en fonction de la race ou du sexe. »

    La recherche a été en partie soutenue par la National Science Foundation et par Workday.

    Source de l’histoire:

    Matériaux fourni par L’Université de Cornell. Original écrit par Melanie Lefkowitz. Remarque: le contenu peut être modifié pour le style et la longueur.

    Source

    N'oubliez pas de voter pour cet article !
    1 Star2 Stars3 Stars4 Stars5 Stars (No Ratings Yet)
    Loading...

    Laisser un commentaire

    Votre adresse de messagerie ne sera pas publiée.