Accueil›Biais›IBI-00062
IBI-000623_significativepublie

Biais de détection de fraude RH

HR Fraud Detection Bias

Score IBI
6.3
sur 10
Sévérité3_significative
Fréquencefrequent
Ampleur groupes3
Difficulté détection4
🇫🇷 Définition (FR)

Systèmes détectant les fraudes aux notes de frais avec des biais démographiques.

🇬🇧 Definition (EN)

Expense fraud detection systems with demographic biases.

Taxonomie TriAxis

Classification structurelle

O
Origine
O2
Computationnel & Statistique
L
Cycle de vie
L3
Mesure
S
Spécifique
S01
Biais de proxy
💡
Exemple concret

Un système anti-fraude RH contrôle plus systématiquement les dépenses des employés issus de minorités.

📊 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

🛡 Impact & Mitigation

🎯 Groupes vulnérables impactés

Personnes noires / afro-desc.Personnes arabes / MENA

🛠 Méthodologies de mitigation

  • DEMO_PARITY : Parité démographique
  • AUDIT_TIERS : Audit par tiers indépendant

🏢 Secteurs concernés

Ressources humaines et recrutement (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
b125595f-8541-471a-bb4e-77c5a4bef2af

Explorer d'autres biais

250 biais documentés, classés par la taxonomie TriAxis.