심리측정과 AI/ML의 공정성 문제 및 평가: 두 분야에서 우리가 배울 수 있는 것은 무엇인가?

심리적 및 교육적 측정에서의 공정성은 오랜 문제였습니다. 한편, 공정성은 지난 10년 간 머신러닝(ML) 및 인공지능(AI) 커뮤니티에서 점점 더 많은 주목을 받고 있는 이슈입니다. AI/ML 커뮤니티는 테스트 맥락에서 공정성 정의와 운영 메트릭의 초기 뿌리에 대한 인식을 어느 정도 가지고 있지만(Caton & Haas, 2024), 특히 AI/ML의 공정성과 회귀 및 예측 맥락에서의 테스트 공정성 간의 유사성(Hutchinson & Mitchell, 2019)에 대해서는 측정 전문가들에게 AI/ML 공정성과 편향 완화에 대한 급속히 발전하는 연구에 대한 체계적인 소개가 없었습니다. 측정 및 인력 선발에서 AI/ML이 점점 더 중요한 역할을 하게 되는 상황에서, 두 분야 간의 공정성 개념 및 기준의 공동 기반을 구축할 필요성이 절실히 요구됩니다. 따라서 이 논문은 테스트 워크플로우와 AI/ML 공정성 패러다임 간의 유사성을 도출하고, 두 분야의 공정성 정의와 평가 방법의 유사성 및 차이점, 그리고 편향을 다루고 완화하는 방법을 탐구합니다. 이러한 탐구는 향후 연구, 교육 및 협력의 분야에 대한 논의로 이어집니다.