Key points are not available for this paper at this time.
Bien que les systèmes de recommandation (SR) jouent un rôle crucial dans notre société, les études précédentes ont révélé que la performance des SR peut considérablement différer entre des groupes d'individus ayant des caractéristiques ou des démographies différentes. Dans ce cas, un SR est considéré comme injuste lorsqu'il ne fonctionne pas aussi bien pour différents groupes d'utilisateurs. Étant donné l'importance des SR dans la distribution et la consommation de contenu musical dans le monde entier, une évaluation minutieuse de l'équité dans le contexte des SR musicaux est cruciale. À cette fin, nous introduisons d'abord LFM-2b, un nouvel ensemble de données à grande échelle sur les enregistrements d'écoute musicale, comprenant un sous-ensemble visant à étudier les biais des SR concernant la démographie des utilisateurs. Nous définissons ensuite une notion d'équité basée sur l'écart de performance d'un SR entre des utilisateurs de différentes démographies, et évaluons une variété d'algorithmes de filtrage collaboratif en termes de précision et de métriques au-delà de la précision pour explorer l'équité des résultats des SR envers un groupe de genre spécifique. Nous observons l'existence de divergences significatives (injustice) entre la performance des algorithmes selon les groupes d'utilisateurs masculins et féminins. Sur la base de ces divergences, nous explorons dans quelle mesure les algorithmes de recommandation entraînent un renforcement du biais de population sous-jacent dans les résultats finaux. Nous étudions également l'effet d'une stratégie de rééchantillonnage, souvent utilisée comme méthode de désintoxication, qui entraîne de légères améliorations des mesures d'équité de divers algorithmes tout en maintenant leur précision et leur performance au-delà de la précision.
Melchiorre et al. (Jeudi) ont étudié cette question.