IBI-000534 - Gravepublie
Biais de retour d'expérience utilisateur
User Experience Feedback Bias
Score IBI
7.5
sur 10
Sévérité4_grave
Fréquencefrequent
Ampleur groupes4
Difficulté détection4
🇫🇷 Définition (FR)
Biais renforcés par l'optimisation de l'expérience utilisateur au détriment de l'équité.
🇬🇧 Definition (EN)
Bias reinforced by UX optimization at the expense of equity.
Taxonomie TriAxis
Classification structurelle
O
Origine
O2
Computationnel & Statistique
L
Cycle de vie
L7
Déploiement
S
Spécifique
S02
Biais de feedback
💡
Exemple concret
Un système de recommandation optimise la satisfaction des utilisateurs majoritaires, invisibilisant les minorités.
📊 Métriques de détection
Feedback Loop RatioDemographic Parity Difference
⚙ Seuils d'alerte
Feedback Loop Ratio0.15
Demographic Parity Difference0.1
📚 Sources & Références Scientifiques
- •Feedback Loop and Bias Amplification in Recommender SystemsMansoury, M. (2020)
🛡 Impact & Mitigation
🎯 Groupes vulnérables impactés
Aucun groupe spécifique.
🛠 Méthodologies de mitigation
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Médias et plateformes sociales (Risque: /5)
⚖ Réglementations applicables
🌍 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
🇪🇺 Europe
- •DSA_27 : Digital Services Act (UE) 2022/2065
📋 Métadonnées
Contributeur
Mohamadou SIDIBE
Institution
AI BIAIS INITIATIVE
Version
1
Créé le
14 octobre 2026
Mis à jour le
4 novembre 2026
UUID
5626f3cd-24f3-44be-a29d-226e37eaf1e0
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.