
 
 
 Gli autori: » 
 
 
 
 Tobias Rohrbach Mykola Makhortykh Maryna Sydorova Gli autori: » 
 
 
 
 di Tobias Rohrbach di Mykola Makhortykh di Maria Sydorova Table of links tavolo di sinistra ABSTRACT astratto INTRODUCTION Introduzione SEARCH ENGINES AND WOMEN’S DESCRIPTIVE REPRESENTATION I motori di ricerca e la rappresentazione delle donne MEASURING THE EXTENT OF ALGORITHMIC REPRESENTATION Misurare l'estensione della rappresentazione algoritmica GENERAL DISCUSSION, CONCLUSION   AND   REFERENCES Discussione generale, conclusione e Referenze Abstract astratto I motori di ricerca come Google sono diventati i principali portatori di informazioni che utilizzano l'intelligenza artificiale (IA) per determinare chi e cosa trovano gli elettori quando cercano informazioni politiche. Questo articolo propone e testano un quadro di rappresentazione algoritmica dei gruppi minoritari in una serie di quattro studi. In primo luogo, due audit algoritmici delle ricerche di immagine politica delineano come i motori di ricerca riflettono e mantengono le disuguaglianze strutturali sotto- e mal rappresentando le donne e i politici non bianchi. In secondo luogo, due esperimenti online dimostrano che questi pregiudizi nella rappresentazione algoritmica a loro volta distorcono le percezioni della realtà politica e rafforzano attivamente una visione bianca e maschile della politica. Insieme, i risultati hanno implicazioni sostanziali per Introduction Anche se i paesaggi politici di Speinizz in tutto il mondo si stanno cambiando lentamente, il quadro della decisione politica contemporanea è ancora disproporzionatamente maschile e, nel Nord Globale, disproporzionatamente bianco. Nel 2024, la rappresentanza descrittiva globale delle donne nei parlamenti è del 26,7% (Unione interparlamentare 2024). Nella Camera dei Rappresentanti degli Stati Uniti, il 29% dei membri sono donne e il 26% non sono bianchi,1 rendendo il 118 ° Congresso bianco il più etnicamente diverso e bilanciato di genere fino ad oggi nella storia degli Stati Uniti (Pew Research Center 2023a,b). Tuttavia, secondo i dati del censimento, le quote delle donne e delle persone non bianche in generale nella popolazione degli Stati Uniti sono 50,5% e il 41.1% dei punti di I motori di ricerca sono diventati i principali portatori di informazioni che utilizzano l'intelligenza artificiale (AI) per determinare chi e cosa trovano gli elettori quando cercano informazioni politiche (Trielli e Diakopoulos 2022; Urman e Makhortykh 2022; Wallace 2018; White e Horvitz 2015). Come le informazioni sono rappresentate sui motori di ricerca è stato dimostrato di influenzare le percezioni delle campagne politiche (Epstein e Robertson 2015; Zweig 2017) e le scelte dei voti individuali (Diakopoulos et al. 2018). La selezione e il ranking delle informazioni da parte dei motori di ricerca - e, fondamentalmente, i pregiudizi di tale curazione algoritmica,2 tra cui la sistematica sotto- e la falsa rappresentazione dei gruppi di genere e razza (Makhortykh et Teoricamente, il nostro quadro di rappresentazione algoritmica integra la letteratura consolidata sulla rappresentazione descrittiva e sulla mediazione di genere con il lavoro più recente sulla discriminazione strategica per mostrare come i pregiudizi algoritmici spostano sistematicamente le percezioni delle realtà politiche in modi che esacerbano le disuguaglianze di genere e razza esistenti. Testiamo le relazioni causali combinando le prove provenienti da due studi di audit algoritmico osservazionali con due esperimenti di sondaggio. Inoltre, forniamo prove convincenti a sostegno delle nostre ipotesi sulla rappresentazione algoritmica nel contesto della politica. Nei nostri audit algoritmici (studi 1 e 2), troviamo che le donne sono costantemente sotto rappresentate nelle ricerche di Google che si occupano di informazioni politiche in 56 paesi e per I risultati avanzano la comprensione scientifica di come i portatori di intelligenza artificiale riflettono le disuguaglianze strutturali nella politica – e come le amplificano aggravando i pregiudizi nelle percezioni politiche e nel processo decisionale. Il nostro quadro di rappresentazione algoritmica aggiunge un componente cruciale alla comprensione dei persistenti svantaggi strutturali delle donne e delle persone di colore in un panorama politico sempre più guidato dall’IA. Contribuisce all’attuale ricerca scientifica pubblica e interdisciplinare sull’equità e l’ingiustizia algoritmiche (Birhane 2021; Kalluri 2020; Wong 2020; Weinberg 2022). Tale approccio è essenziale per aumentare la consapevolezza della società delle tendenze discriminatorie inerenti ai sistemi guidati dall’IA all’interno 
 
 Questo documento è disponibile in archivio sotto la licenza CC by 4.0 Deed (Attribution 4.0 International). Questo documento è CC by 4.0 Deed (Attribuzione 4.0 Internazionale) Disponibile in archivio Disponibile in archivio

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Bias in Algorithmic Technology Exposed 

undefined's blog

Questo audio è prodotto nella lingua originale della storia!

Come la ricerca AI rafforza i pregiudizi di genere e razziali nella politica

About Author

COMMENTI

CARTELLINI

QUESTO ARTICOLO È STATO PRESENTATO IN

Related Stories

Meet Dealscard, Winner of Startups of The Year 2024 in Ghaziabad/Deal Aggregator

Raggiungi più lettori! POTENZIA la tua storia su HackerNoon

Link-To-Earn Incentive Model: A Blueprint For Mass Adoption?

Arron Goolsbey Talks Future of Gaming with AI and Blockchain at Mythical Games

Meet Dealscard, Winner of Startups of The Year 2024 in Ghaziabad/Deal Aggregator

Raggiungi più lettori! POTENZIA la tua storia su HackerNoon

Link-To-Earn Incentive Model: A Blueprint For Mass Adoption?

Arron Goolsbey Talks Future of Gaming with AI and Blockchain at Mythical Games

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps