IBI-000915 - Critiquepublie
Biais de deepfake ciblé
Targeted Deepfake Bias
Score IBI
9.2
sur 10
Sévérité5_critique
Fréquencesystematique
Ampleur groupes5
Difficulté détection4
🇫🇷 Définition (FR)
Génération de deepfakes ciblant disproportionnellement les femmes et les minorités.
🇬🇧 Definition (EN)
Deepfake generation disproportionately targeting women and minorities.
Taxonomie TriAxis
Classification structurelle
O
Origine
O2
Computationnel & Statistique
L
Cycle de vie
L7
Déploiement
S
Spécifique
S28
Biais d'interaction
💡
Exemple concret
96% des deepfakes sexuels ciblent des femmes, avec une surreprésentation des femmes célèbres.
📊 Métriques de détection
Distribution ShiftDemographic Parity Difference
⚙ Seuils d'alerte
Distribution Shift0.1
Demographic Parity Difference0.1
📚 Sources & Références Scientifiques
- •Deep Fakes and the Infocalypse: What You Urgently Need to KnowNina Schick (2020)
- •Do (Microtargeted) Deepfakes Have Real Effects on Political Attitudes?Dobber, T., Metoui, N., Trilling, D., Helberger, N., de Vreese, C. (2021)
🛡 Impact & Mitigation
🎯 Groupes vulnérables impactés
Femmes
🛠 Méthodologies de mitigation
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Médias et plateformes sociales (Risque: /5)
⚖ Réglementations applicables
🇪🇺 Europe
- •AI_ACT_13 : 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
277346e5-eaa1-401a-a511-3f20e8c9d49b
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.