기계 학습에서 연령 관련 편향 완화 전략: 범위 검토

배경 연구에 따르면 디지털 연령차별 즉, 연령 관련 편향이 기계 학습(ML) 모델의 개발 및 배포에 존재한다고 합니다. 이 문제의 중요성이 인식되고 있음에도 불구하고, ML 모델에서 연령 관련 편향을 완화하기 위해 사용되는 전략과 이러한 전략의 효과성을 구체적으로 조사한 연구는 부족합니다. 목표 이러한 격차를 해소하기 위해, 우리는 ML에서 연령 관련 편향을 줄이기 위한 완화 전략에 대한 범위 검토를 수행했습니다. 방법 우리는 Arksey와 O’Malley가 개발한 범위 검토 방법론 틀을 따랐습니다. 검색은 정보 전문과 협력하여 개발하였으며, 6개의 전자 데이터베이스(IEEE Xplore, Scopus, Web of Science, CINAHL, EMBASE, ACM 디지털 라이브러리)와 2개의 추가 회색 문헌 데이터베이스(OpenGrey 및 Grey Literature Report)에서 수행되었습니다. 결과 우리는 ML 접근 방식에서 연령 관련 편향을 완화하려고 시도한 8개의 출판물을 확인했습니다. 연령 관련 편향은 주로 데이터에서 노인 사회의 대표성이 부족하여 발생했습니다. 편향 완화를 위한 노력은 세 가지 접근 방식 중 하나로 분류되었습니다: (1) 보다 균형 잡힌 데이터 세트 생성, (2) 데이터 보강 및 보충, (3) 보다 균형 잡힌 결과를 달성하기 위해 알고리즘 직접 수정. 결론 ML 모델에서 관련 편향을 인식하고 완화하는 것은 공정성, 형평성, 포용성 및 사회적 혜택을 촉진하는 데 중요합니다. 우리의 분석은 디지털 연령차별에 대응하기 위한 엄격한 연구 및 효과적인 완화 접근법 개발의 지속적인 필요성을 강조하며, ML 시스템이 모든 개인의 이익을 지키는 방식으로 사용되도록 보장합니다. 임상 시험 등록 Open Science Framework AMG5P; https://osf.io/amg5p