تعصب تنها مشکل در امتیازات اعتباری نیست – و نه ، هوش مصنوعی نمی تواند کمکی کند

[ad_1]

اما در بزرگترین مطالعه داده های رهن در دنیای واقعی تاکنون ، اقتصاددانان لورا بلاتنر از دانشگاه استنفورد و اسکات نلسون از دانشگاه شیکاگو نشان داده اند که تفاوت در تصویب وام مسکن بین گروه های اقلیت و اکثریت محدود به تعصب نیست ، بلکه به واقعیت محدود است. که گروه های اقلیت و گروه های کم درآمد داده های کمتری در تاریخ اعتبار خود دارند.

این بدان معناست که وقتی از این داده ها برای محاسبه رتبه بندی اعتباری و از رتبه اعتباری برای پیش بینی نکول وام استفاده می شود ، آن پیش بینی دقیق تر نخواهد بود. همین عدم دقت است که منجر به نابرابری می شود ، نه فقط تعصب.

عواقب آن واضح است: الگوریتم های منصفانه مشکلی را حل نمی کنند.

اشش رامباچان ، که در دانشگاه هاروارد در حال یادگیری ماشین و اقتصاد است ، اما در این مطالعه شرکت نکرد ، گفت: “این یک نتیجه واقعا شگفت انگیز است.” سوگیری و سوابق اعتباری ناهموار برای مدتی موضوع داغ بوده است ، اما این اولین آزمایش گسترده است که به درخواست های وام از میلیون ها انسان واقعی نگاه می کند.

امتیازات اعتباری مجموعه ای از داده های اقتصادی – اجتماعی مانند سابقه اشتغال ، سوابق مالی و عادات خرید را در یک واحد قرار می دهد. علاوه بر تصمیم گیری در مورد درخواست های وام ، اکنون از امتیازات اعتباری برای تصمیم گیری های تغییر دهنده زندگی ، از جمله تصمیمات مربوط به بیمه ، اجاره و اسکان استفاده می شود.

برای درک اینکه چرا وام دهندگان وام مسکن متفاوت با اقلیت ها و اکثریت رفتار می کنند ، بلاتنر و نلسون گزارش های اعتباری را برای 50 میلیون کاربر ناشناس در ایالات متحده تهیه کرده و هر یک از این کاربران را با جزئیات اقتصادی اجتماعی خود از داده های بازاریابی ، دارایی های آنها و معاملات رهنی مرتبط کردند و اطلاعات مربوط به طلبکاران رهنی که به آنها وام داده اند.

یک دلیل که این اولین مطالعه در نوع خود است این است که این مجموعه داده ها اختصاصی هستند و در دسترس عموم محققان نیستند. بلاتنر گفت: “ما به یک دفتر اعتباری مراجعه کردیم و به طور کلی مجبور بودیم برای این کار هزینه زیادی به آنها بپردازیم.”

داده های پر سر و صدا

آنها سپس الگوریتم های مختلف پیش بینی را آزمایش کردند تا نشان دهند که امتیازات اعتباری فقط مغرضانه نبوده بلکه “پر سر و صدا” است ، اصطلاح آماری برای داده هایی که نمی توان برای پیش بینی های صحیح استفاده کرد. یک نامزد اقلیت را با نمره اعتباری 620 در نظر بگیرید. در یک سیستم مغرضانه ، ما می توانیم انتظار داشته باشیم که این امتیاز همیشه خطر آن نامزد را بیش از حد ارزیابی کند و به عنوان مثال رتبه دقیق تر 625 باشد. در تئوری ، این تعصب می تواند توسط نوعی اعتبارسنجی الگوریتمی ، مانند کاهش آستانه تأیید برای برنامه های اقلیت ، محاسبه شود.

[ad_2]

منبع: unbox-khabar.ir

ایندکسر

hacklink al hd film izle php shell indir siber güvenlik türkçe anime izle Fethiye Escort android rat duşakabin fiyatları fud crypter hack forum buy instagram followershtml nullednulled themes1xbet girişMobil Ödeme NakitMobil Ödeme BozdurmaMobil Ödeme Nakite ÇevirmeMobil Ödeme Nakite Çevirme1xbet