IBI-000164 - Gravepublie
Biais de représentation historique
Historical Representation Bias
Score IBI
8.0
sur 10
Sévérité4_grave
Fréquencesystematique
Ampleur groupes4
Difficulté détection4
🇫🇷 Définition (FR)
Biais résultant de données d'entraînement qui reflètent des inégalités historiques passées.
🇬🇧 Definition (EN)
Bias resulting from training data reflecting past historical inequalities.
Taxonomie TriAxis
Classification structurelle
O
Origine
O1
Systémique
L
Cycle de vie
L1
Historique
S
Spécifique
S24
Biais institutionnel
💡
Exemple concret
Scoring crédit : audit de 5 banques françaises révèle un taux de refus 2,3× plus élevé pour adresses en QPV.
📊 Métriques de détection
Demographic Parity DifferenceDisparate Impact RatioEqualized Odds Difference
⚙ Seuils d'alerte
Disparate Impact Ratio0.8
Equalized Odds Difference0.1
Demographic Parity Difference0.1
📚 Sources & Références Scientifiques
- •A Framework for Understanding Sources of Harm throughout the Machine Learning Life CycleHarini Suresh, John V. Guttag (2021)
- •A Framework for Understanding Sources of Harm throughout the Machine Learning Life CycleSuresh, H., Guttag, J.V. (2021)
🛡 Impact & Mitigation
🔬 Preuves documentées (Études & Incidents)
- Outil de recrutement expérimental d'Amazon abandonné pour biais envers les femmes : ProPublica analyse 7 000 dossiers COMPAS : l'algorithme classe 2× plus souvent faussement les accusés noirs.
Impact : Faux positifs : 44,9% (noirs) vs 23,5% (blancs). - Outil de recrutement exp�rimental d'Amazon abandonn� pour biais envers les femmes : Source : https://www.cnbc.com/2018/10/10/amazon-scraps-a-secret-ai-recruiting-tool-that-showed-bias-against-women.html
Impact :
🎯 Groupes vulnérables impactés
Personnes arabes / MENAClasses populairesZones rurales
🛠 Méthodologies de mitigation
- DEMO_PARITY : Parité démographique
- PSI : Population Stability Index
- DISPARATE_IMPACT : Test impact disparate
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Finance et services bancaires (Risque: /5)Logement et immobilier (Risque: /5)Ressources humaines et recrutement (Risque: /5)Justice et sécurité (Risque: /5)Assurance (Risque: /5)
⚖ Réglementations applicables
🇪🇺 Europe
- •AI_ACT_10 : AI Act (UE) 2024/1689
- •AI_ACT_9 : AI Act (UE) 2024/1689
- •RGPD_22 : RGPD (UE) 2016/679
🌍 International
- •ISO_42001 : ISO/IEC 42001:2023
- •UNESCO_2021 : UNESCO - Recommandation sur l'éthique de l'IA
- •OECD_AI_PRINCIPLES : OCDE - Principes IA
- •COE_AI_CONVENTION_INT : Conseil de l'Europe - Convention IA
🌐 autre
- •IN_DPDP_RULES : Inde - Digital Personal Data Protection Rules
- •BR_LGPD : Brésil - LGPD
📋 Métadonnées
Contributeur
Mohamadou SIDIBE
Institution
AI BIAIS INITIATIVE
Version
1
Créé le
14 octobre 2026
Mis à jour le
4 novembre 2026
UUID
7d95e060-3e27-4d38-9a78-78966f62b0bc
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.