IBI-002163_significativepublie
Biais de calibration différentielle
Differential Calibration Bias
Score IBI
6.5
sur 10
Sévérité3_significative
Fréquencefrequent
Ampleur groupes4
Difficulté détection3
🇫🇷 Définition (FR)
Probabilités prédites ne correspondant pas aux fréquences observées de façon différenciée.
🇬🇧 Definition (EN)
Predicted probabilities not matching observed frequencies differentially across groups.
Taxonomie TriAxis
Classification structurelle
O
Origine
O2
Computationnel & Statistique
L
Cycle de vie
L6
Évaluation
S
Spécifique
S18
Biais d'attribution de groupe
💡
Exemple concret
COMPAS (ProPublica 2016) : 2× plus susceptible de classer faussement une personne noire comme à haut risque.
📊 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
- •Dissecting racial bias in an algorithm used to manage the health of populationsZiad Obermeyer, Brian Powers, Christine Vogeli, Sendhil Mullainathan (2019)
- •Fair prediction with disparate impact: A study of bias in recidivism prediction instrumentsAlexandra Chouldechova (2017)
🛡 Impact & Mitigation
🔬 Preuves documentées (Études & Incidents)
- Outil de recrutement expérimental d'Amazon abandonné pour biais envers les femmes : ProPublica analyse 7 000 dossiers COMPAS : l'algorithme classe 2× plus souvent faussement les accusés noirs.
Impact : Faux positifs : 44,9% (noirs) vs 23,5% (blancs). - ProPublica report: recidivism risk models are racially biased (billet d'ORCAA commentant l'enqu�te � Machine Bias � de ProPublica sur COMPAS) : Source : https://orcaarisk.com/articles/2016/10/12/propublica-report-recidivism-risk-models-are-racially-biased
Impact :
🎯 Groupes vulnérables impactés
Personnes noires / afro-desc.Classes populairesPersonnes LGBTQ+FemmesLocuteurs langues minoritairesPersonnes arabes / MENAPersonnes asiatiquesHandicap moteurSeniors (60+)Jeunes (18-25 ans)Personnes non-binairesZones rurales
🛠 Méthodologies de mitigation
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Finance et services bancaires (Risque: /5)Logement et immobilier (Risque: /5)Ressources humaines et recrutement (Risque: /5)Justice et sécurité (Risque: /5)Assurance (Risque: /5)
⚖ Réglementations applicables
🇪🇺 Europe
- •AI_ACT_10 : AI Act (UE) 2024/1689
- •AI_ACT_9 : AI Act (UE) 2024/1689
- •RGPD_22 : RGPD (UE) 2016/679
🇺🇸 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
04b57d38-46c4-4e59-91c1-b30d10c8b847
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.