Score IBI
6.8
sur 10
Sévérité3_significative
Fréquencefrequent
Ampleur groupes4
Difficulté détection4
🇫🇷 Définition (FR)
Étiquetage incohérent ou subjectif produisant des prédictions biaisées.
🇬🇧 Definition (EN)
Inconsistent or subjective labeling producing biased predictions.
Taxonomie TriAxis
Classification structurelle
O
Origine
O3
Humain-Cognitif
L
Cycle de vie
L2
Représentation
S
Spécifique
S06
Biais d'étiquetage
💡
Exemple concret
Un dataset médical où les symptômes atypiques sont systématiquement mal étiquetés.
📊 Métriques de détection
Representation BiasSample Size Ratio
⚙ Seuils d'alerte
Sample Size Ratio0.8
Representation Bias0.2
📚 Sources & Références Scientifiques
- •Risk Scores, Label Bias, and Everything but the Kitchen SinkMichael Zanger-Tishler; Julian Nyarko; Sharad Goel (2023)
- •
🛡 Impact & Mitigation
🔬 Preuves documentées (Études & Incidents)
- Algorithme commercial de gestion des soins sous-estimant les besoins des patients noirs (co�t utilis� comme proxy de la sant�) : Source : https://pubmed.ncbi.nlm.nih.gov/31649194/
Impact :
🎯 Groupes vulnérables impactés
Femmes
🛠 Méthodologies de mitigation
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Santé et médecine (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
e22ac47f-e5bd-4e67-b764-f7cd33ba18e1
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.