IBI-000983_significativepublie
Biais de calcul d'empreinte carbone
Carbon Footprint Bias
Score IBI
6.8
sur 10
Sévérité3_significative
Fréquencefrequent
Ampleur groupes4
Difficulté détection4
🇫🇷 Définition (FR)
Algorithmes de calcul d'empreinte carbone sous-estimant l'impact des populations à faible revenu.
🇬🇧 Definition (EN)
Carbon footprint calculation algorithms underestimating impact of low-income populations.
Taxonomie TriAxis
Classification structurelle
O
Origine
O2
Computationnel & Statistique
L
Cycle de vie
L3
Mesure
S
Spécifique
S17
Erreur de mesure
💡
Exemple concret
Les bilans carbone ignorent les émissions importées des pays du Sud Global, invisibilisant leur contribution.
📊 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
- •A Methodological Framework for Developing More Just Footprints: The Contribution of Footprints to Environmental Policies and JusticeRita Vasconcellos Oliveira (2020)
- •Calculating carbon footprint: implications for governing emissions and gender relationsde Aguiar, T. R. S., Fearfull, A., Sanagustín Fons, M. V. (2016)
🛡 Impact & Mitigation
🎯 Groupes vulnérables impactés
Zones ruralesClasses populaires
🛠 Méthodologies de mitigation
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Énergie et environnement (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
📋 Métadonnées
Contributeur
Mohamadou SIDIBE
Institution
AI BIAIS INITIATIVE
Version
1
Créé le
14 octobre 2026
Mis à jour le
4 novembre 2026
UUID
55dbbcad-e1a8-4813-aa8b-843856b5eed8
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.