IBI-000674 - Gravepublie
Biais de prédiction d'attrition
Attrition Prediction Bias
Score IBI
7.5
sur 10
Sévérité4_grave
Fréquencefrequent
Ampleur groupes4
Difficulté détection4
🇫🇷 Définition (FR)
Modèles prédisant le départ des employés avec des biais selon les groupes démographiques.
🇬🇧 Definition (EN)
Models predicting employee departure 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 modèle prédit plus souvent le départ des femmes en congé maternité, justifiant des non-promotions.
📊 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
- •Algorithmic Management in the WorkplaceKöchling, A., Wehner, M.C. (2020)
- •Explainable attrition risk scoring for managerial retention decisions in human resource analyticsM. S. Pavithran; S. M. Vadivel (2026)
🛡 Impact & Mitigation
🎯 Groupes vulnérables impactés
FemmesSeniors (60+)
🛠 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
- •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
📋 Métadonnées
Contributeur
Mohamadou SIDIBE
Institution
AI BIAIS INITIATIVE
Version
1
Créé le
14 octobre 2026
Mis à jour le
4 novembre 2026
UUID
b3ed9980-158c-47cd-ba00-15f77b27817b
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.