IBI-002135 - Critiquepublie
Biais de génération d'images raciales
Racial Image Generation Bias
Score IBI
8.9
sur 10
Sévérité5_critique
Fréquencesystematique
Ampleur groupes5
Difficulté détection3
🇫🇷 Définition (FR)
Modèles de génération d'images reproduisant des stéréotypes raciaux dans les professions.
🇬🇧 Definition (EN)
Image generation models reproducing racial stereotypes in professions.
Taxonomie TriAxis
Classification structurelle
O
Origine
O2
Computationnel & Statistique
L
Cycle de vie
L2
Représentation
S
Spécifique
S18
Biais d'attribution de groupe
💡
Exemple concret
DALL-E génère quasi systématiquement des CEO blancs pour le prompt « CEO ».
📊 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
- •Racial bias in AI-generated imagesYang, Y. (2025)
- •Easily Accessible Text-to-Image Generation Amplifies Demographic Stereotypes at Large ScaleFederico Bianchi, Pratyusha Kalluri, Esin Durmus, Faisal Ladhak, Myra Cheng, Debora Nozza, Tatsunori Hashimoto, Dan Jurafsky, James Zou, Aylin Caliskan (2023)
🛡 Impact & Mitigation
🔬 Preuves documentées (Études & Incidents)
- Google suspend la g�n�ration d'images de personnes de Gemini apr�s des images historiquement inexactes : Source : https://www.engadget.com/google-pauses-geminis-ability-to-generate-people-after-overcorrecting-for-diversity-in-historical-images-220303074.html
Impact :
🎯 Groupes vulnérables impactés
Personnes noires / afro-desc.FemmesClasses populairesLocuteurs langues minoritairesPersonnes LGBTQ+Zones ruralesPersonnes non-binairesJeunes (18-25 ans)Seniors (60+)Personnes asiatiquesPersonnes arabes / MENAHandicap moteur
🛠 Méthodologies de mitigation
- DEMO_PARITY : Parité démographique
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Médias et plateformes sociales (Risque: /5)
⚖ Réglementations applicables
🇪🇺 Europe
- •AI_ACT_10 : AI Act (UE) 2024/1689
🇺🇸 États-Unis
- •US_TX_TRAIGA : Texas Responsible AI Governance Act (HB 149)
🌍 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
🇫🇷 France
- •FR_CNIL_AI : CNIL - Recommandations IA
🌐 Canada
- •CA_AIDA : Canada - Loi sur l'IA et les données (AIDA)
📋 Métadonnées
Contributeur
Mohamadou SIDIBE
Institution
AI BIAIS INITIATIVE
Version
1
Créé le
14 octobre 2026
Mis à jour le
4 novembre 2026
UUID
b9a04fa2-3bc4-438d-8f10-fc4f424c0bbe
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.