Score IBI
7.5
sur 10
Sévérité4_grave
Fréquencefrequent
Ampleur groupes4
Difficulté détection4
🇫🇷 Définition (FR)
Biais introduit par les préjugés subjectifs des annotateurs humains.
🇬🇧 Definition (EN)
Bias introduced by the subjective prejudices of human annotators.
Taxonomie TriAxis
Classification structurelle
O
Origine
O3
Humain-Cognitif
L
Cycle de vie
L2
Représentation
S
Spécifique
S05
Biais d'annotation
💡
Exemple concret
Les dialectes afro-américains sont classés comme toxiques 1,8× plus souvent que l'anglais standard.
📊 Métriques de détection
Annotation AgreementDemographic Parity Difference
⚙ Seuils d'alerte
Annotation Agreement0.8
Demographic Parity Difference0.1
📚 Sources & Références Scientifiques
- •Hateful Symbols or Hateful People? Predictive Features for Hate Speech Detection on TwitterWaseem, Z., Hovy, D. (2016)
🛡 Impact & Mitigation
🎯 Groupes vulnérables impactés
Personnes noires / afro-desc.Locuteurs langues minoritaires
🛠 Méthodologies de mitigation
- DEMO_PARITY : Parité démographique
- SHAP_GROUP : Analyse SHAP par groupe
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Médias et plateformes sociales (Risque: /5)
⚖ Réglementations applicables
🇪🇺 Europe
- •AI_ACT_10 : AI Act (UE) 2024/1689
🌍 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
📋 Métadonnées
Contributeur
Mohamadou SIDIBE
Institution
AI BIAIS INITIATIVE
Version
1
Créé le
14 octobre 2026
Mis à jour le
4 novembre 2026
UUID
126d4c69-3d6d-4a0c-9e0a-f12d94047850
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.